Bootcamp de Aprofundamento para Machine Learning - ESPM
Bootcamp de Aprofundamento para Machine Learning

01/09/2020

70 horas

Home Educação Continuada

Bootcamp de Aprofundamento para Machine Learning

Coordenador

Acácio Ventura

Course Attendees

Still no participant

Certificado

Certificado

O certificado será emitido em formato digital ao termino do curso, você receberá um link em seu e-mail cadastrado no ato de sua inscrição em até 7 dias.

Importante: O aluno deverá ter uma frequência mínima de 75% nas aulas.

Cancelamento ou adiamento do curso

Cancelamento ou adiamento do curso

DO CANCELAMENTO E/OU ADIAMENTO DO CURSO

1 - O curso poderá ser cancelado e/ou adiado pela CONTRATADA caso não haja o número mínimo de estudantes inscritos que justifique a abertura do curso, conforme estabelecido pela Coordenação. Caso o estudante não concorde com o adiamento do curso, deverá solicitar o cancelamento através do e-mail.

 

2 -  O cancelamento por parte do estudante poderá ser efetivado junto à secretaria de pós-graduação da ESPM ou através do e-mail extensao.sp@espm.br com até 7 dias corridos a contar da data de efetivação da compra online ou com até 24 horas de antecedência do início do curso.

 

3 – O curso ficará à disposição do Estudante e não caberá qualquer restituição de valores pagos em caso de abandono ou cancelamento do curso após o seu início.

 

4 – Caso o (a) Estudante não manifeste formalmente seu pedido de desistência, conforme previsto neste instrumento, estará caracterizado o abandono do curso, não sendo devido o reembolso do valor pago e ainda o (a) mesmo (a) deverá honrar com o pagamento das parcelas a vencer.

 

5 - O não comparecimento aos atos escolares não exime o estudante ao pagamento das parcelas do curso já que, conforme reconhece, os serviços ficarão à sua disposição.

 

REEMBOLSO

1 - No caso dos itens 1 e 2, será devolvido 100% do valor pago, por meio de depósito na conta bancária indicada pelo estudante, em até 10 (dez) dias úteis, a contar da data de indicação dos dados bancários do estudante para providências do devido reembolso, ou via estorno de pagamento realizado por cartão de crédito.

 

INFORMAÇÃO IMPORTANTE:

A ESPM NÃO SE RESPONSABILIZA POR QUAISQUER OUTROS VALORES QUE EVENTUALMENTE TENHAM SIDO DESPENDIDOS PELO PARTICIPANTE, SEJA A QUE TÍTULO FOR, TAIS COMO PASSAGENS ÁREAS, RODOVIÁRIAS, COMBUSTÍVEL. HOSPEDAGEM, ETC.

Comentários curso

Ainda não há comentários

Uma parceria com a Alura

A Alura é a maior plataforma de cursos de tecnologia 100% em português. Em 2020 a alura completa 9 anos e já ultrapassou a fronteira de 1.000 cursos produzidos. Sua missão é abrir o caminho para profissionais que desejam ser sempre melhores que ontem.
A parceria com a ESPM abre novos canais para levar essa missão ainda mais além e para um público mais amplo, a ESPM reconhece nos conteúdos da Alura algo diferenciado e aderente a sua comunidade. Por esse motivo que decidiu estabelecer essa parceria.

Bônus

6 meses de acesso a plataforma da Alura

O aluno terá 6 meses de acesso a plataforma para concluir os seus estudos, contados a partir do momento da matrícula. Se finalizar os seus estudos antes desse prazo, a plataforma continuará disponível no período de 6 meses para novas consultas.

Objetivo do curso

Aprenda a resolver problemas com Machine learning utilizando as ferramentas corretas para cada situação.

Para quem se destina?

Este curso destina-se a profissionais com formação em Big Data, Business Intelligence ou aos interessados em aprender a aplicar Machine Learning no seu cotidiano.

O que você vai aprender?

Com esta formação, você será capaz de identificar diferentes tipos de padrões presentes nos dados do seu negócio e assim, otimizar os seus processos.

Programa do curso

Utilize a análise de resultados para ajudar o seu negócio a crescer com Machine Learning.

Módulo: Machine Learning: Introdução a classificação com SKLearn
Carga horária: 08 horas

Conteúdo detalhado:

● Introdução à classificação - Introdução, o primeiro projeto, primeiro treino e teste de um modelo de classificação, padronização de nomes;
● Testes replicáveis, estratificação e lendo dados da internet - Lendo dados da internet e manipulando os mesmos, estratificando splits;
● Um projeto de baixa dimensionalidade e o baseline - Testando em duas dimensões, curva de decisão;
● Support Vector Machine e a não linearidade - Estimadores não lineares e support vector machine;
● Dummy classifiers e árvore de decisão - Trabalhando num novo projeto, dummy classifiers e svc, árvore de decisão e visualizando as decisões de um estimador.

Vídeo: Nerdologia Tech: Como ensinar uma máquina a aprender

Carga horária: 06 horas

Conteúdo detalhado:

● conhecendo os dados - Introdução, preparando o ambiente, conhecendo o dataset, extraindo os dummies, pegando os dummies, escalando os dados, mãos à obra!, projeto atual, o que aprendemos?
● começando a agrupar - Conhecendo o KMeans, entendendo como KMeans funciona, começando com o K-Means, site sobre o K-Means, faça o que eu fiz na  aula, projeto atual, o que aprendemos?
● vendo os centróides - Visualizando os centroids, criando um gráfico com o seaborn, muitas dimensões, visualizando os centróides, mãos à obra!, projeto atual, o que aprendemos?
● escolhendo o número de grupos - Agrupando em 20 grupos, quantos grupos escolher, o método do cotovelo, o número de clusters, erro médio e erro médio quadrado, mãos à obra! projeto atual, revisando;
● agrupamento hierárquico - Conhecendo o agrupamento hierárquico, plotando um dendrograma, juntando palavras, mais sobre agrupamento hierárquico, outra forma de agrupamento, mãos à obra!, projeto atual, conclusão, o que aprendemos?

Compreenda os fundamentos da Linguagem Natural para ter uma visão ampla e agilizar a análise das informações textuais.

Módulo: Linguagem Natural parte 1: Introdução a NLP com análise de sentimento
Carga horária: 06 horas

Conteúdo detalhado:

● Explorando e vetorizando dados textuais - Buscando e analisando os dados, padronizando a classificação e verificando o balanceamento, um método para vetorizar textos, bag of Words em Python;
● Classificando sentimentos: um passo a passo - Aplicando bag of words nos dados, treinando e classificando sentimentos com regressão logística;
● Visualizando os dados com WordCloud - Um método para visualização geral de dado textual, aplicando a análise de sentimentos; 
● Tokenização com NLTK para criar uma nova visualização - Conhecendo o NLTK e outra forma de tokenização, pareto para análise textual;
● Criando funções para um pipeline de otimização - Stop words: removendo o que não agrega, funções para criação das word clouds, funções para o pareto e classificação dos textos.

Carga horária: 04 horas

Conteúdo detalhado:

● Otimizando a análise: o primeiro passo - Introdução, explorando outras formas de tokenização, diferenciando pareto e Word Clouds;
● Melhorando a visualização - Stop words, retirando a pontuação; 
● Normalização de textos - Unidecode para remoção de acentos, medindo e comparando resultados, padronizando o texto: convertendo em letras minúsculas;
● Evitando flexões e derivações nas palavras - Stemming: uma técnica poderosa, aplicando stemming nos dados;
● TF-IDF e Ngrams: técnicas mais avançadas - TF-IDF: balanceando os pesos de cada palavra, aplicando Tf-idf nos dados, ngrams: criando “memória”, conclusão.

Podcast: Chatbots e jornada do usuário - Hipsters #130 - Hipsters Ponto TechHipsters Ponto Tech

Utilize as ferramentas Apache Mahout, Eclipse e Maven para tornar as recomendações dos algoritmos em dados reais.

Módulo: Deep Learning parte 1: Introdução com Keras
Carga horária: 05 horas

Conteúdo detalhado:

● Conhecendo o conjunto de dados - Carregando o dataset, entendendo as imagens;
● Começando a montar o modelo - Exibindo as categorias, refinamento do código, criando a camada 0;
● Adicionando camadas ocultas - Criando a camada 1, relu e não linearidade, softmax e multicamadas;
● Ensinando o modelo - Argumentos do compile e treino do modelo, escala de cinza e normalização, definindo número de camadas;
● Sabendo como medir o resultado do modelo - Runtime e acurácia de treino, testando o modelo, avaliação e validação do modelo;
● Ajustando e salvando o modelo - Gráfico da acurácia, under e overfitting, salvando o modelo;
● Revisando conceitos chave: Finalizando o código.

Carga horária: 08 horas

Conteúdo detalhado:

● Heurísticas de recomendação - Introdução, heurística de recomendação e entendendo o que é colaboração, total de votos, nota média e possíveis dificuldades de heurísticas simples;
● Sistemas de recomendação - Recomendação baseada em similaridade de gênero, visão geral de abordagens de recomendação;
● Distância entre usuários - Definindo a distância euclidiana entre usuários, Implementando a distância entre usuários no nosso dataset;
● Usuários mais próximos - Calculando a distância entre um e todos os usuários, Ordenando usuários por distância e lidando com casos extremos;
● Gerando recomendações com KNN - Gerando recomendações baseado em um usuário, finalizando uma implementação de KNN;
● Próximos passos - Filtro para recomendação, mínimo de usuários com recomendações, conclusão.

Saiba mais como as estratégias de validação cruzada podem ajudar você a ter mais eficiência no seu dia a dia.

Módulo: Machine Learning: Validação de modelos
Carga horária: 08 horas

Conteúdo detalhado:

● Validação cruzada e aleatoriedade inicial - Introdução, a influência da aleatoriedade na validação do modelo, a validação cruzada, validação cruzada, usando e avaliando com o cross validate, faça o que eu fiz na aula, o que
aprendemos?
● KFold e aleatoriedade - Kfold com aleatorização, embaralhando dados, faça o que eu fiz na aula, o que aprendemos?
● Estratificação - Estratificação com validação cruzada, documentação e boas práticas, ordenando coluna, faça o que eu fiz na aula, o que aprendemos?
● Dados agrupáveis - Gerando dados aleatórios, Validação cruzada usando grupos, funcionamento do GroupKFold, faça o que eu fiz na aula, o que aprendemos?
● Pipeline de treino e validação - A importância do pipeline no crossvalidate, conclusão, conferindo diferentes grupos, faça o que eu fiz na aula, treinando o modelo final, o que aprendemos?

Carga horária: 09 horas

Conteúdo detalhado:

● Hiperparâmetros, overfit e otimização - Introdução, entendendo o que é um parâmetro, quanto mais complexa a árvore, melhor?, otimizando um hiper parâmetro e o problema do overfit, revisando a exploração de um espaço de parâmetros;
● Explorando 2 dimensões de hiperparâmetros - Espaço de parâmetros de duas dimensões, explorando hiperparâmetros demais dimensões, matriz de correlação e explorando mais e mais espaços de parâmetros;
● Trabalhando com 3 ou mais dimensões - Explorando 3 ou mais parâmetros;
● Busca de parâmetros com o GridSearchCV - Usando o GridSearchCV;
● Nested cross validation e validando o modelo escolhido - Nested cross validation e validando o melhor modelo.

Carga horária: 08 horas

Conteúdo detalhado:

● Randomized Search e Cross validation combinadas - Introdução, explorando aleatoriamente;
● Explorando por mais tempo espaços maiores - Espaços maiores e sampling menores, será que vale a pena explorar mais;
● Baseline com busca exaustiva no espaço discretizado - Testando um GridSearch mais longo;
● Comparando com busca aleatória - Comparando com o RandomizedSearch
● Otimização de hiperparâmetros sem validação cruzada (treino, teste e validação) - Treino teste validação, otimização sem validação cruzada, conclusão.

Metodologia

A distância

Workshop presencial

Acontecerá um workshop no semestre, em que alunos de diferentes especialidades dos bootcamps estarão reunidos para solucionar um problema de negócios em conjunto.

Webinars

Além dos conteúdos das aulas e workshop presencial, você poderá participar de webinars exclusivos com convidados especialistas nos temas dos módulos para conversar sobre trending topics específicos do mercado e aplicações práticas no seu dia a dia. Ao todo, serão 2 webinars ao longo do curso.

Quando acontece?

Curso 100% online, a plataforma ficará disponível para acesso 24h por dia.

Investimento


  • Valor
  • Boleto
  • R$ 2.450,00
  • Cartão de crédito
  • EM ATÉ 10X R$ 245,00

20% DE DESCONTO

NO VALOR INTEGRAL DO CURSO PARA ALUNOS E EX-ALUNOS DA GRADUAÇÃO E PÓS-GRADUAÇÃO ESPM

5% de desconto no valor integral do curso para Alunos e Ex-alunos dos cursos de Educação Continuada da ESPM

ESPM Tech

R. Joaquim Távora, 1240, Vila Mariana

São Paulo - São Paulo

CEP 04015-013

Hotel Parceiro

Comfort Nova Paulista

Rua Vergueiro, 2740 - Vila Mariana

São Paulo - SP, 04102-001

Telefone: (11) 2197-7600

*Informar no ato da reserva que é aluno dos cursos de férias na ESPM para ter o desconto promocional

São Paulo - Joaquim Távora

Educação a distância

Centro de Inovação e Criatividade

Até 10x de R$ 245,00*
* Confira a tabela abaixo

Translate