ML (Machine Learnig) Curso

MÓDULO 1 (~70min) - O APRENDIZADO ANTES DO APRENDIZADO [DE MÁQUINA]

AULA 0 (~3min) - Apresentação - Thiago Rossi

AULA 1 (~3min) - Panorama geral do que iremos aprender no curso

AULA 2 (~15min) - O que é Machine Learning e suas aplicações

• Tópico 1: Apresentação do histórico, inverno e verão das IAs
• Tópico 2: Casos de uso práticos
• Tópico 3: Diferenças entre os tipos de aprendizado (Machine Learning, Deep Learning, Aprendizados Supervisionado e Não-Supervisionado, outros)

AULA 3 (~15min) - Introdução ao Python para Machine Learning

• Tópico 1: Ambiente de desenvolvimento (Google Colab, Anaconda)
• Tópico 2: Sintaxe básica
• Tópico 3: Tipos de dados
• Tópico 4: Variáveis e operações

AULA 4 (~15min) - Ferramentas e bibliotecas essenciais para Machine Learning (Revisão de Python)

• Tópico 1: Jupyter Notebooks
• Tópico 2: Pandas
• Tópico 3: NumPy
• Tópico 4: Matplotlib

AULA 5 (~20min) - Projeto de Conclusão do Módulo

• Tópico 1: Criação de DataFrame usando random
• Tópico 2: Análise Exploratória dos Dados
• Tópico 3: Visualização dos Dados e Relatório

MÓDULO 2 (~80min) - Estatística para Machine Learning

AULA 1 (~30min) - Revisão de Conceitos Estatísticos Básicos

• Tópico 1: Medidas de tendência central
• Tópico 2: Medidas de dispersão
• Tópico 3: Probabilidade e distribuição de probabilidade

AULA 2 (~30min) - Preparação e pré-processamento de dados

• Tópico 1: Limpeza de dados
• Tópico 2: Tratamento de valores ausentes
• Tópico 3: Normalização e padronização

AULA 3 (~20min) - Introdução à Estatística Descritiva e Inferencial

• Tópico 1: Testes de hipóteses
• Tópico 2: Correlação e regressão linear

AULA 4 (~20min) - Projeto de Conclusão do Módulo

• Tópico 1: Puxando dados históricos de ações
• Tópico 2: Análises de centralidade e dispersão
• Tópico 3: ANOVA

MÓDULO 3 (~150min) - Algoritmos de Machine Learning Supervisionado

Aula 1 (~20min) - Regressão Linear

• Tópico 1: Modelo matemático
• Tópico 2: Implementação com scikit-learn
• Tópico 3: Métricas de avaliação

Aula 2 (~20min) - Regressão Logística

• Tópico 1: Classificação binária
• Tópico 2: Função logística
• Tópico 3: Implementação com scikit-learn

Aula 3 (~20min) - K-Nearest Neighbors (KNN)

• Tópico 1: Algoritmo de classificação e regressão
• Tópico 2: Métricas de distância
• Tópico 3: Escolha do hiperparâmetro k

Aula 4 (~20min) - Naive Bayes

• Tópico 1: Teorema de Bayes
• Tópico 2: Classificação com Naive Bayes
• Tópico 3: Implementação com scikit-learn

Aula 5 (~20min) - Árvores de Decisão e Random Forests

• Tópico 1: Construção de árvores de decisão
• Tópico 2: Importância das variáveis
• Tópico 3: Overfitting e poda de árvores

Aula 6 (~20min) - Support Vector Machines (SVMs)

• Tópico 1: Máxima margem separável
• Tópico 2: Núcleos e funções de kernel
• Tópico 3: Implementação com scikit-learn

Aula 7 (~30min) - Projeto Guiado: Como escolher o algoritmo certo para um projeto de Machine Learning

MÓDULO 4 (~60min) - Machine Learning Não Supervisionado

Aula 1 (~15min) - Agrupamento (Clustering) 1

• Tópico 1: K-means

Aula 2 (~15min) - Agrupamento (Clustering) 2

• Tópico 2: Algoritmos hierárquicos

Aula 3 (~15min) - Redução de Dimensionalidade 1

• Tópico 1: Análise de Componentes Principais (PCA)

Aula 4 (~15min) - Redução de Dimensionalidade 2

• Tópico 1: T-Distributed Stochastic Neighbor Embedding (t-SNE)

MÓDULO 5 (~180min) - Projetos (Project-Based Learning)

Aula 1 (~15min) - Projeto 1: Previsão de preços de casas com Regressão Linear

• Coleta e pré-processamento de dados
• Treinamento e avaliação do modelo

Aula 2 (~15min) - Projeto 1: Previsão de preços de casas com Regressão Linear

• Visualizações dos resultados e dashboard

Aula 3 (~25min) - Projeto 2: Classificação de flores Iris com Regressão Logística

• Análise exploratória de dados
• Treinamento e avaliação do modelo
• Interpretação dos resultados

Aula 4 (~20min) - Projeto 3: Predição de sobrevivência no Titanic com Árvores de Decisão e Random Forests

• Análise de variáveis e pré-processamento
• Treinamento e seleção do melhor modelo

Aula 5 (~15min) - Projeto 3: Predição de sobrevivência no Titanic com Árvores de Decisão e Random Forests

• Análise de importância das variáveis

Aula 6 (~30min) - Projeto 4: Classificação de pacientes com diabetes com Support Vector Machines

• Pré-processamento e balanceamento de dados
• Treinamento e otimização do modelo
• Análise de desempenho

Aula 7 (~30min) - Projeto 5: Criação de um Dashboard com séries históricas de ações

• Obtenção e pré-processamento de dados
• Visualização de tendências e indicadores
• Criação de um dashboard interativo

Aula 8 (~30min) - Projeto 6: Desenvolvimento de um Dashboard com previsão de preços de casas com mapa

• Integração de dados geoespaciais
• Previsão de preços por região
• Visualização em mapa interativo

MÓDULO 6 (~45min) - Avaliação e Métricas de Desempenho em Machine Learning

Aula 1 (~15min) - Métricas de avaliação para problemas de classificação 1

• Precisão, recall e F1-score

Aula 2 (~15min) - Métricas de avaliação para problemas de classificação 2

• Curvas ROC e AUC

Aula 3 (~15min) - Métricas de avaliação para problemas de regressão

• Erro médio quadrático (MSE)

MÓDULO 7 (~135min) - Análise de Preços de Criptomoedas com Machine Learning

Aula 1 (~45min) - Desenvolver um modelo de Machine Learning para prever os preços de criptomoedas.

Aula 2 (~30min) - Avaliar o desempenho de diferentes algoritmos de Machine Learning para essa tarefa.

Aula 3 (~30min) - Otimizar o modelo de Machine Learning para obter o melhor desempenho possível.

Aula 4 (~30min) - Implementar o modelo de Machine Learning em um aplicativo para visualização e análise dos resultados.

• Streamlit ou Django

MÓDULO 8 (~60min) - Considerações Éticas e Bias em Machine Learning [Bônus]

Aula 1 (~20min) - Introdução à Ética em Machine Learning

• Discussão sobre as implicações éticas do uso de algoritmos de ML em diferentes áreas, como viés algorítmico, privacidade, justiça e transparência.

Aula 2 (~20min) - Viés Algorítmico e Fairness em Machine Learning

• Exploração do conceito de viés algorítmico, como identificá-lo e mitigá-lo, e discussão sobre a importância da equidade e da justiça nos modelos de ML.

Aula 3 (~20min) - Privacidade e Segurança em Machine Learning

• Abordagem sobre questões de privacidade de dados em Machine Learning, incluindo técnicas de proteção de dados, conformidade com regulamentos de privacidade e segurança cibernética.