Este curso fornece uma visão geral dos fundamentos do aprendizado de máquina na arquitetura Intel® moderna. Os tópicos abordados incluem:

• Revisar os tipos de problemas que podem ser resolvidos.

• Compreender os blocos de construção.

• Aprender os fundamentos da construção de modelos em aprendizado de máquina.

• Explorar algoritmos-chave.

Ao final deste curso, os alunos terão conhecimento prático de:

• Algoritmos de aprendizagem supervisionada.

• Conceitos-chave como sub- e over-fitting, regularização e validação cruzada.

• Como identificar o tipo de problema a ser resolvido, escolher o algoritmo certo, ajustar parâmetros e validar um modelo.

• Introdução ao jupyter notebook

• Células mágicas do jupyter

• Atalhos de teclado Jupyter

• Tornando os notebooks Jupyter reutilizáveis

• Introdução ao pandas

• Criação e indexação da série Pandas

• Tipos de dados e imputação do Pandas

• Criação e métodos do Pandas DataFrame

• Indexando linhas do DataFrame

• Indexando Colunas DataFrame

• Lendo dados com Pandas

• Atribuindo novos dados a um DataFrame

• Aplicando uma função a uma coluna DataFrame

• Concatenando dois DataFrames

• Estatísticas agregadas com GroupBy

• Realizando cálculos estatísticos

• Amostragem de DataFrames

• Bibliotecas de visualização

• Gráficos de dispersão básicos com Matplotlib

• Histogramas com Matplotlib

• Personalizando gráficos Matplotlib

• Incorporando cálculos estatísticos

• Plotagem estatística com Seaborn

• Objetivos do aprendizado

_ Explicar a aprendizagem supervisionada e como ela pode ser aplicada a problemas de regressão e classificação

_ Aplicar o algoritmo K-Nearest Neighbor (KNN) para classificação

• O que é aprendizado de máquina?

• Aprendizado de máquina em nossas vidas diárias

• Tipos de aprendizado de máquina

• Tipos de aprendizado supervisionado

• Visão geral da aprendizagem supervisionada

• Regressão: Respostas Numéricas

• Classificação: Respostas Categóricas

• Vocabulário de aprendizado de máquina

• K – Nearest Neighbors

_ O que é classificação?

_ O que é necessário para classificação?

_ Classificação K dos vizinhos mais próximos

_ O que é necessário para selecionar um modelo KNN?

_ Limite de decisão dos vizinhos mais próximos K

_ O valor de 'K' afeta o limite de decisão

_ Medição de distância em KNN

_ Distância euclidiana

_ Distância Euclidiana (Distância L2)

_ Distância de Manhattan (L1 ou distância do quarteirão)

_ A escala é importante para medição de distância

_ Comparação de métodos de dimensionamento de recursos

_ Dimensionamento de recursos: a sintaxe

_ Limite de decisão KNN multiclasse

_ Regressão com KNN

_ Características de um modelo KNN

_ K vizinhos mais próximos: a sintaxe