Cursos de Data Science
Fruto de mais de dois anos de consultorias e cursos in company, o novíssimo Curso on-line da Análise Macro traz o que há de mais avançado em modelos de machine learning operacionalizados na linguagem preferida dos Cientistas de Dados.
Após mais de dois anos aplicando conhecimentos de machine learning em projetos de consultoria e em cursos in company, trazemos para o mercado on-line o Curso de Machine Learning usando o R. Ao longo do curso serão apresentados os principais algoritmos de ML que têm ampla aplicação em problemas de classificação, previsão numérica, detecção de padrões e segmentação de grupos.
O Curso de Machine Learning usando o R é voltado para estudantes de graduação e pós-graduação, professores e profissionais de mercado que ainda não tenham conhecimento de algoritmos de ML ou que querem fazer aplicações desses algoritmos no R.
Para quem não tem conhecimentos prévios de R, ficará disponível durante todo o curso um Nivelamento em R, que faz uma introdução ao mundo do tidyverse.
O Curso se divide em 17 seções e 15 laboratórios onde o aluno será apresentado aos principais algoritmos de aprendizado supervisionado e não supervisionado, bem como fará aplicações dos mesmos a datasets previamente escolhidos pelo professor.
Nos laboratórios, o aluno será encorajado a passar por todo o processo de coleta, tratamento, análise e apresentação dos dados, como se estivesse já aplicando seus modelos de ML na prática.
As inscrições serão feitas em dois lotes, com escalonamento de preços de acordo com a lotação da turma:
A partir dessa data, estarão disponíveis todos os materiais do Curso de Machine Learning usando o R.
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.
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.
Vídeos Didáticos
Cada seção será acompanhada de videoaulas subdividas em tópicos específicos, tornando o aprendizado ainda mais dinâmico.
Slides e Códigos disponíveis
Todos os slides e códigos utilizados ao longo das seções ficam disponíveis para os alunos baixarem e reproduzirem.
Apresentações reprodutíveis
Em todas as seções, o professor produz apresentações em RMarkdown, encorajando os alunos a reproduzirem tudo o que é feito no curso.
Vítor Wilher é Bacharel e Mestre em Economia, pela Universidade Federal Fluminense, especialista em Data Science pela Johns Hopkins University e um dos professores pioneiros na oferta de Cursos de R no Brasil. Seu curso de Introdução ao R teve mais de 30 turmas e formou milhares de alunos no país. Sua dissertação de mestrado foi na área de política monetária, titulada "Clareza da Comunicação do Banco Central e Expectativas de Inflação: evidências para o Brasil", defendida perante banca composta pelos professores Gustavo H. B. Franco (PUC-RJ), Gabriel Montes Caldas (UFF), Carlos Enrique Guanziroli (UFF) e Luciano Vereda Oliveira (UFF). Já trabalhou em grandes empresas, nas áreas de telecomunicações, energia elétrica, consultoria financeira e consultoria macroeconômica. Atualmente, é Sócio-fundador da Análise Macro, Conselheiro do Instituto Millenium e Palestrante. Caso queira, mande um e-mail para ele: vitorwilher@analisemacro.com.br
Nosso Curso de Machine Learning usando o R é 100% adaptável à sua rotina de trabalho ou estudo. Você escolhe o melhor horário para assistir aos vídeos gravados e aprofundar o tema da videoaula replicando o exercício realizado pelo professor. Todos os códigos utilizados são disponibilizados para que o aluno possa aprender de forma autônoma. De forma a dar maior atenção aos alunos, as vagas para essa turma serão limitadas.
Os alunos inscritos no Curso terão acesso a todo o material digital e às videoaulas por 12 meses. Além disso, também terão acesso ao Clube do Código pelo mesmo período. Poderão tirar dúvidas com o professor em plataforma exclusiva, bem como terão acesso a mentorias on-line.
Não tem conhecimento de R? Não se preocupe! Ficará disponível durante todo o período do curso de Machine Learning o material da nossa introdução ao tidyverse (nivelamento em R). O nivelamento possibilita uma introdução qualificada ao R, mostrando o que há de mais avançado na linguagem para lidar com coleta, tratamento e apresentação de dados.
De forma a dar um suporte customizado aos alunos inscritos nessa turma do curso, o professor disponibilizará até seis mentorias exclusivas via o ambiente virtual appear.in. Nessas mentorias, os alunos podem tirar dúvidas sobre o Curso ou sobre outros aspectos do R para coletar, tratar e visualizar dados.
Os alunos inscritos no Curso têm acesso a Certificado de 90 horas para fins de atividades complementares de cursos de graduação ou pós-graduação, bem como na sua empresa. Para ter acesso ao certificado, o aluno deverá entregar mais do que 70% das atividades propostas ao longo do Curso no prazo de 12 meses.
Av. Almirante Barroso, 81
32ª andar, Sala 32B114
Centro, Rio de Janeiro – RJ
CEP: 20031-004
comercial@analisemacro.com.br
