Nessa seção, inspirada em Machine Learning with R, de Brett Lantz e em An Introduction to Statistical Learning, vemos as origens do aprendizado de máquinas, os usos e abusos, como os modelos aprendem, a prática de ML, o trade-off existente entre acurácia preditiva e interpretabilidade dos modelos, modelos supervisionados vs. não supervisionados, problemas de regressão vs. problemas de classificação e como construir a acurácia de um modelo.

O primeiro laboratório ensina os alunos a utilizar o R para gerar os relatórios que devem ser entregues ao longo do Curso.

Uma tarefa crucial em qualquer projeto de modelagem e previsão é conseguir coletar e tratar os dados. Nessa seção, mostramos de forma prática como é possível fazer uma análise exploratória de dados.

Os alunos são convidados a analisar um dataset e retirar informações relevantes do mesmo usando o R/RStudio.

Nessa seção, fazemos uma introdução ao modelo de regressão linear que serve para atacar problemas envolvendo previsão numérica.

Nesse laboratório, os alunos são expostos a problemas de previsão numérica envolvendo regressão linear

Nessa seção, vemos o tema da classificação mais detidamente, introduzindo a regressão logística.

Nessa laboratório, os alunos são incentivados a construir um modelo de regressão logística que explique churn em uma operadora de telecomunicações.

Nessa seção, vemos os famosos algoritmos k-NN de modo a resolver problemas de classificações.

Nessa laboratório, os alunos são incentivados a utilizar o algoritmo k-NN para detectar câncer de mama.

Nessa seção, utilizamos o algoritmo Naive Bayes para resolver problemas de classificação.

Nessa seção, utilizamos o algoritmo Naive Bayes para resolver problemas de classificação.

Nessa seção, exploramos as famosas árvores de decisão para resolver problemas de classificação e de regressão.

Nessa seção, exploramos as famosas árvores de decisão para resolver problemas de classificação.

Nessa seção, utilizamos o método de regressão para construir modelos de previsão.

Nesse laboratório, os alunos são incentivados a construir modelos de previsão para gastos médicos.

Nessa seção, apresentamos o conceito de redes neurais e suas aplicações.

Nesse laboratório, os alunos aplicam o conceito de redes neurais artificiais à um problema clássico da engenharia.

Nessa seção, apresentamos o conceito de support vector machine para enfrentar tanto problemas de classificação como de previsão numérica.

Nesse laboratório, os alunos aplicam o conceito de SVM ao tratamento de OCR.

Nessa seção, apresentamos o primeiro método de aprendizado não supervisionado de modo a detectar padrões.

Nesse laboratório, os alunos aplicam o conceito de SVM ao tratamento de OCR.

Nessa seção, apresentamos o segundo método de aprendizado não supervisionado de modo a construir grupos com características semelhantes dentro de um dataset.

Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Nessa seção, apresentamos os métodos de cross-validation e bootstrap.

Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Nessa seção, apresentamos as regressões Ridge, Lasso e PLS.

Nesse laboratório, os alunos aplicam o conceito de clustering à segmentação de clientes.

Nessa seção, apresentamos algoritmos de meta-aprendizado.

Nesse laboratório, os alunos aplicam os algoritmos de meta-aprendizagem com o uso do R.

Nessa seção, vemos como avaliar o desempenho do modelo através de diversas métricas de performance.

Nessa seção, vemos como incrementar o desempenho do modelo através de algoritmos de meta-aprendizagem.