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.