Treinamento Técnico

Os conceitos e práticas em torno de Machine Learning  provavelmente se tornarão cada vez mais valiosos, independentemente de sua área de atuação, especialidade ou profissão.

O  mercado de Machine Learning deve crescer de US $ 1,03 bilhão em 2016 para US $ 8,81 bilhões até 2022 e a demanda de profissionais crescerá 60% até 2020.

Felizmente, hoje você não precisa gastar anos de sua vida estudando na universidade para se familiarizar com essa tecnologia aparentemente extremamente complexa. Nossos cursos procuram cobrir, desde o básico até a modelagem avançada.

Alguns são destinados a pessoas que querem mergulhar diretamente na codificação de modelos e, compreensivelmente, assumir um certo nível de habilidade técnica. Outros são úteis para aqueles que querem aprender como essa tecnologia pode ser aplicada por qualquer pessoa, independentemente de conhecimentos técnicos, para resolver problemas reais.

Escolha entre os cursos abaixo:

Veja vídeos e nosso blog

 
PROGRAMA PARA CURSO INTRODUTÓRIO DE MACHINE LEARNING

 

Objetivos

Este curso enfoca a construção da compreensão intuitiva das técnicas de Machine Learning. Não requer  habilidades matemáticas e explica os principais conceitos, modelos, ferramentas e métricas usadas, bem como práticas recomendadas de gerenciamento para implantar e supervisionar projetos de Machine Learning,

Audiência

Apropriado para profissionais da área de Engenharia, Administração e TI.

Pré-requisitos: Não há.

Carga horária:  8  horas

Introdução

  • O que é Inteligência Artificial

  • O que é  Machine Learning

  • Machine Learnig vs Estatística

  • Machine Learnig vs Programação tradicional

  • O que são algoritmos de Machine Learning

 

 Ciência de dados

  • Decisões baseadas em previsões

  • Decisões baseadas em dados

  • Análise Exploratória de Dados

  • Visualização

  • Descobertas com Mineração de texto

  • Processamento de Linguagem Natural

  • Processamento de áudio

  • Processamento de imagens

Redes Sociais

  • Panorama brasileiro

  • Monitoramento e análise de mensagens

  • Robôs da Web

  • REST APIs

 

Maturidade Analítica

  • Pré-requisitos para implantação

  • Da análise de dados para a análise preditiva

  • Modelo CRISP - Fluxo Operacional

Aplicações para a empresa

  • Marketing Direto

  • Manutenção de Clientes

  • Riscos de Crédito

  • Manutenção Preditiva

  • Web Analytics

Implantação de Machine Learning na Organização

  • Estratégia

  • O Cientista de Dados

  • Equipe de trabalho

  • Operacionalização

  • Computação na Nuvem

  • Big Data

  • Software aberto e comercial

  • Ferramentas auxiliaries 

  • Principais players no mercado

Aplicações ligadas às atividades da Empresa

PROGRAMA PARA CURSO DE MACHINE LEARNING (CONCEITOS E ALGORITMOS)

 

Objetivos

Este curso introdutório fornece uma visão de conceitos, técnicas e algoritmos em Machine Learning, começando com tópicos como tipos de aprendizado, classificação e regressão linear e passando por conceitos chave como Cross Validation e Overfitting.  O principal objetivo é fornecer uma boa compreensão das questões fundamentais e desafios da aprendizagem de máquina: dados, seleção de modelos, complexidade do modelo, etc.

O curso aborda também inúmeros estudos de casos e aplicações para que o aluno possa aprender como aplicar os algoritmos. 

Audiência

Apropriado para profissionais da área de Engenharia, Administração e TI.

Pré-requisitos:

A teoria de Machine Learning é um campo que intercepta aspectos estatísticos, probabilísticos, de informática e algorítmicos. Entretanto para este curso, embora um bom histórico em estatística, probabilidade e álgebra sejam benéficos, estes não  são indispensáveis. A matemática não é o pré-requisito básico para este curso porque as ferramentas “de prateleira” existentes como Python e RapidMiner embutem a matemática necessária.

O principal pré-requisito para este curso é a familiaridade com análise de dados.

Carga horária:  24  horas

Introdução

  • Principais Aplicações

  • Fluxo Operacional

 

 Tipos de Aprendizado

  • Supervisionado e não supervisionado

  • Algoritmos e Modelos

  • Descoberta ou predição

  • Terminologia

  • Modelo vs algoritmo

 

Conceitos básicos 

  • Relação Bias-Variância

  • Overfitting e Underfitting

  • Correlações

  • Validação de Modelos

  • Ganho de Informação

  • Cross-validation

  • Boostrap

  • Princípio da Parcimônia

 

Algoritmos

  • Algorítmos paramétricos  e não paramétricos

  • Regressão Linear

  • Generalized Linear Models

  • Árvores de Decisão

  • Knn

  • Naive Bayes

  • Regressão Logística

  • Redes Neurais

  • Redes Neurais - Deep Learning

  • Support Vector Machines

  • Regras de Associação

  • Algoritmo FP-growth

  • K- means

  • Clustering 

  • Principal Components Analysis

  • Series Temporais

  • Métodos Ensemble (Boosting, Bagging, Adaboost)

 

Visualização

  • Scatter, Barras, Histogramas

  • Box plots

  • Matriz de correlação

  • Curvas de densidade

  • Dashboards

  • Visualização de Dados para Apresentação Executiva 

 

Análise de base de dados

  • Dados Estruturados e Não Estruturados

  • Outliers

  • Dados faltantes (Missing data)

  • Anomalias

  • Desbalanceamentos

  • Categorias inúteis

 

Otimização

  • Cost Function

  • Gradient Descent

  • Regularização

 

Validação e Avaliação de resultados

  • Precisão

  • Recall

  • Logloss

  • AUC

  • Matriz de Confusão

  • MSE

  • RMSE

  • R quadrado​

 
PROGRAMA PARA CURSO DE CONCEITOS DE MATEMÁTICA PARA MACHINE LEARNING 

Objetivos

Matemática e estatística são a base para Machine Learning. Para ser um Cientista de Dados é necessário ter algum conhecimento básico de matemática, principalmente Estatística e Álgebra Linear. Nestes dois cursos apresentamos os aspectos mínimos requeridos pare estes tópicos.

Audiência

Apropriado para profissionais da área de Engenharia, Administração e TI.

Pré-requisitos

Sentir-se à vontade com a matemática básica e com o raciocínio quantitativo.

Carga horária:  8  horas

Estatística para Machine Learning 

  • Estatística Descritiva e Inferencial

  • População e amostragem

  • Variáveis

  • Medidas de dispersão

  • Correlação

  • Probabilidades

  • Distribuições de Probabilidades

  • Teorema de Bayes

  • Lei dos Números Grandes

  • Teorema do Limite Central

  • Normalização

  • Transformação de Dados

  • Visualização

 

Álgebra Linear para Machine Learning

  • A álgebra linear relevante para Machine Learning

  • Equações lineares

  • Sistemas de equações

  • Vetores

  • Matrizes

  • Transformações lineares

  • Autovetores e autovalores

 
PROGRAMA PARA CURSO DE PYTHON PARA MACHINE LEARNING

Objetivos

Python é uma linguagem de propósito geral, bastante amigável para iniciantes, e a mais utilizada linguagem open source em Machine Learning.  Neste curso apresentamos os módulos que suportam a biblioteca do Scikit Learn que é a principal ferramenta usada em Machine Learning..

Audiência

Apropriado para profissionais da área de Engenharia, Administração e TI.

Pré-requisitos

Familiaridade com linguagens de programação, bancos de dados, vetores e matrizes. Conteúdo de Fundamentos de Machine Learning (Conceitos e Algoritmos).

Carga horária:  40  horas

Parte I -  Módulos básicos de Python para Machine Learning

 

Introdução

  • Por que Python para análise de dados? 

  • Instalação e configuração no Windows 

  • Python 2 e Python 3 11

 

IPython: 

IPython é um interpretador interativo para várias linguagens de programação, mas especialmente focado em Python.   

 

Numpy

O NumPy é o pacote fundamental para computação científica com o Python. 

 

Pandas

Pandas é uma biblioteca que fornece estruturas de dados de alto desempenho e fáceis de usar.

 

Matplolib

O Matplotlib é uma biblioteca de plotagem 2D em Python que produz gráficos  de qualidade em uma variedade de formatos e ambientes interativos entre plataformas. 

Parte II -  Scikit-Learn

 

 

Scikit-Learn é uma biblioteca de Machine Learning de código aberto para a linguagem de programação Python. Ela inclui vários algoritmos de classificação, regressão e clustering sendo  projetada para interagir com as bibliotecas Python numéricas e científicas como NumPy e  Pandas

 

 Introdução ao Machine Learning com o scikit-learn

Aprendizado supervisionado e não supervisionada Modelos

 

Seleção e avaliação de modelos

 

Transformações do conjunto de dados

 

Exercícios e exemplos

  • Reconhecimento de escrita

  • Reconhecimento de mensagens spam

  • Descoberta de padrões em votos no Congresso

  • Descoberta de padrões em mensagens de texto

 
 
PROGRAMA PARA CURSO DE INTRODUÇÃO AO DEEP LEARNING

Objetivos

Deep Learning é o que há de mais moderno no campo  de Machine Learning. Neste curso, você vai desenvolver uma visão intuitiva de Redes Neurais e Deep Learning.  Por se tratar de uma disciplina que utiliza matemática avançada, não entramos na construção dos algoritmos nem na programação, mas mostramos como eles funcionam de forma  a fornecer uma compreensão clara de como e em que situações esta tecnologia pode ser aplicada

Audiência

Apropriado para profissionais da área de Engenharia, Administração e TI.

Pré-requisitos

Familiaridade com conceitos de  Machine Learning, 

Carga horária:  16 horas

O que são redes neurais

Regressão Logística como Rede Neural

  • Classificação Binária

  • Regressão Logística 

  • "Gradient Descent"

Representação de Redes Neurais

  • Funções de ativação

  • Derivadas das funções de ativação

  • "Forward Propagation"

  • "Back Propagation"

Principais tipos e aplicações de Deep Learning

  • Redes Neurais Convulacionais

  • Redes Neurais Recorrentes

  • "Long Short Term Memory (LSTM)"

Exemplos 

  • Reconhecimento de imagens

  • Análise de Sentimento

tech do futuro.jpg

3 Dimensões

Inteligência Artificial nas Empresas

Al. das Papoulas, 147 - Santana de Parnaíba - Alphaville, SP 06539-180 - (11) 4153 6004  - (11) 9 9795 9765

michel@3dimensoes.com.br