Fundamentos de Machine Learning com R

Você provavelmente tem assistido ao crescimento de aplicações de aprendizado de máquina e outras ferramentas baseadas em inteligência artificial no seu cotidiano. O próprio ChatGPT não somente levou a evolução do poder de algoritmos de aprendizado de máquina a um nível superior não visto anteriormente, como também ilustra bem o funcionamento desses algoritmos. Isto é, se você aprende e se aperfeiçoa em treinar modelos que aprendem de forma robusta a extrair padrões e fazer previsões a partir de uma massa de dados, as possibilidades de aplicações são incontáveis. Com essas habilidades adquiridas, você passa a fazer parte do grupo de profissionais mais bem pago atualmente em qualquer lugar do mundo. Afinal de contas, quem aprende a treinar algoritmos consegue resolver os mais diversos problemas seja em questões acadêmicas ou corporativas. Este curso é ideal para qualquer tipo de profissional que deseja adentrar ou se aperfeiçoar nos fundamentos e tipos de algoritmos mais usados em machine learning.

Formulário de inscriçãohttps://forms.gle/MvW3EANuZTidR9pi6

Data e horário: 14/10/2023

Ministrante: Dr. Écio Souza Diniz. Curriculum

Investimento: R$ 115,00 via transferência ou PIX (Banco do Brasil ou NuBank).

Pré-requisitos: a) conhecimento operacional (ex: carregamento de dados, pacotes, funções) do software R; b) o curso é ministrado em sistema operacional (SO) Windows, então o participante de preferência possuir tal SO, não são fornecidas instruções para sistemas Mac ou Linux no curso; c) possuir conexão boa e estável com a internet.

Conteúdo:

1-Fundamentos teóricos do machine learning
1.1-O que é machine learning?
1.2-Quais as principais abordagens de machine learning?
1.3-O que é aprendizado supervisionado e não supervisionado?
1.4-Aprendizado supervisionado para classificação e regressão.
1.5-O que são dados de treinamento, validação e teste?
1.6-Como dividir dados para treinamento e teste
1.7.O que são e como ajustar hiperparâmetros de algoritmos de aprendizado
1.8-O que é validação cruzada?
1.9-O que é superajuste (overfitting) e subajuste (underfitting)?
1.10-Redes neurais artificiais e seu funcionamento
1.11-Ensemble learning e Random Forest
1.12-Máquina de vetor de suporte (SVM)

2-Machine learning com R
2.1-Introdução ao treinamento de modelos de aprendizado com caret
2.2-Escolha do algoritmo para treinar um modelo
2.3-Ajuste de hiperparâmetros e validação
2.4-Divisão dos dados em treinamento e teste
2.5-Treinamento dos modelos
2.6-Avaliação da performance preditiva
2.7-Interpretação e descrição de resultados

3-Comparação e apresentação de performance preditiva
3.1-Correlação preditiva entre algoritmos
3.2-Kappa, Acurácia, R² e RMSE
3.3-Formas de apresentar resultados (teses, artigos, relatórios)
3.4-O que não fazer em modelos de machine learning

4-Estudos adicionais e prospectos futuros e exercício
4.1-Recomendações de aprimoramento
4.2-Indicações para manter a prática