Desenvolvimento de IA

Nesse módulo você encontrará a introdução à inteligência artificial, destacando conceitos e fundamentos na solução de problemas complexos. Uma linha do tempo desde as origens históricas até o presente e futuro da IA será abordada.

Começaremos a preparação prática: configuração abrangendo ambientes virtuais, versões do Python e Visual Studio Code. Otimizações para interação com Python, essenciais para maximizar a experiência de aprendizado e sucesso na trilha.

Desenvolvimento de base sólida em Estatística Descritiva para Devs, essencial para análise de dados, insights e padrões. Isso impacta diretamente na escolha de modelos de machine learning, ajuste de parâmetros e avaliação de desempenho.

Abordaremos conceitos do EDA, a biblioteca Pandas, coleta e preparação de dados, lidar com dados ausentes, formulação de hipóteses, análise univariada e bivariada, outliers e automatizações. Isso irá nos ajudar a extrair insights antes de criar modelos.

Módulo base para Aprendizado de Máquina: conceitos fundamentais, algoritmos, desafios (overfitting, underfitting), ética, tendências. Daremos ênfase na aprendizagem prática para aplicação em estudos de caso, consolidando habilidades.

Consolide o aprendizado com módulo prático: desenvolva seu primeiro modelo de machine learning usando Scikit-learn. O objetivo é aplicar conceitos, avaliar modelos e desenvolver habilidades práticas para futuros projetos em aprendizado de máquina.

Primeiro de uma sequência de algoritmos supervisionados, esse com foco em Regressão Linear Simples. Nosso objetivo é a preparação de aplicação em cenários reais de machine learning, usando uma abordagem prática, desde o EDA até a implementação em API.

Algoritmo Supervisionado com Regressão Linear Múltipla. Nosso objetivo é explorar interações e influências de variáveis, iniciando com EDA, seguido da construção do modelo, até finalizar com a implementação de uma Interface de Usuário (UI)

Módulo dedicado a polinômios e regressão polinomial. Partimos Da EDA à implementação prática em um aplicativo com API e desenvolvimento de interface. Damos ênfase em validação cruzada para garantir precisão e ao controle de sobreajuste.

Neste módulo, aprenda os fundamentos essenciais de algoritmos de classificação, com foco em árvore de decisão. Da Análise Exploratória de Dados à entrega do modelo, capacite-se em técnicas de machine learning para previsões. Aplique os conceitos em projeto prático com inferência batch.

Este módulo abrange o algoritmo Naive Bayes com foco em probabilidade condicional e independência de variáveis. O curso inclui EDA, seleção automática de features e implementação do modelo via API, proporcionando compreensão completa dos fundamentos e aplicação prática em projetos de machine learning.

Este módulo tem como propósito fornecer uma compreensão abrangente do algoritmo de Regressão Logística, uma técnica essencial em problemas de classificação binária e multiclasse. Além de discutir os fundamentos teóricos, focaremos em aplicar o algoritmo em cenários reais, desde a exploração e análise dos dados (EDA) até a otimização dos hiper parâmetros do modelo.

Este módulo ensina técnicas complementares para fortalecer algoritmos supervisionados, reduzindo overfitting, melhorando seleção de características, e identificando relações nos dados para insights precisos e modelos robustos.

O propósito deste módulo é introduzir os principais algoritmos de clusterização de forma conceitual, visando capacitar o desenvolvimento de projetos de aprendizado de máquina voltados para agrupamento de objetos. Para ilustrar esses conceitos, realizaremos um projeto centrado no primeiro desses algoritmos, o K-Means. Este projeto abrangerá todo o processo, desde a Análise Exploratória de Dados (EDA) até a implementação de um modelo por meio de uma aplicação para inferência em batch.

O módulo explora o algoritmo de clusterização hierárquica, crucial em aprendizado de máquina para agrupamento de dados. Inclui teoria, dendrogramas e aplicação em recomendação de laptops em um marketplace.

O módulo foca em algoritmos de redução de dimensionalidade, especialmente a Análise de Componentes Principais (PCA). Inclui EDA e um projeto prático para aplicar o PCA em análises de dados reais.

Este módulo ensina o algoritmo t-SNE para redução de dimensionalidade, aplicado a um projeto de uma empresa de cosméticos. Inclui EDA e visualização dos resultados, capacitando você a usar t-SNE para interpretar grandes conjuntos de dados.

Neste módulo, você aprenderá algoritmos de regras de associação, focando em revelar relações ocultas em grandes bases de dados. No projeto prático de um marketplace, explorará o algoritmo Apriori, passando por Análise Exploratória de Dados (EDA) até a visualização dos resultados, capacitando-o a descobrir insights valiosos.

Este módulo aborda técnicas avançadas em algoritmos não supervisionados, como GMM para clusterização e detecção de anomalias. O objetivo é oferecer abordagens diferenciadas para problemas conhecidos e explorar novos desafios, ampliando as ferramentas para casos de uso no mercado.

Neste módulo, exploraremos os métodos de ensemble em machine learning, tanto do ponto de vista conceitual quanto prático, dando uma base introdutória para o tema, que será refinado em futuros módulos. Utilizando a biblioteca scikit-learn, os alunos serão introduzidos às principais técnicas de ensemble, como Bagging, Boosting, Stacking e Voting. Serão aplicados esses métodos em bases de dados dos segmentos de EdTech e Saúde, com o objetivo de desenvolver projetos práticos que consolidem o entendimento teórico. Ao final do módulo, os alunos serão capazes de implementar e avaliar modelos de ensemble, entendendo como e quando utilizar essas técnicas para melhorar a performance de modelos preditivos.

Neste módulo, abordaremos o ensemble Random Forest, pertencente à classe de métodos de Bagging. O foco será a aplicação prática dessa técnica em um projeto para uma empresa de tecnologia que deseja prever a probabilidade de churn de seus funcionários e identificar os principais motivos que levam a essa saída. Realizaremos todo o processo, desde a análise exploratória de dados (EDA) até a visualização dos resultados, incluindo a avaliação por métricas de validação e a análise da importância das variáveis. Ao final do módulo, serão capazes de implementar e interpretar o Random Forest em contextos reais de previsão de churn.

Neste módulo, exploraremos o ensemble CatBoost, pertencente à classe de métodos de Boosting. O foco será a aplicação prática dessa técnica em um projeto para uma empresa do setor financeiro que deseja prever três tipos distintos de riscos para clientes pessoa jurídica (empresas). Além disso, será analisado quais são os principais fatores que contribuem para a ocorrência ou não de cada tipo de risco. Os alunos realizarão todo o processo, desde a análise exploratória de dados (EDA) até a visualização dos resultados, incluindo a avaliação por métricas de validação e a análise da importância das variáveis. Ao final do módulo, estarão aptos a implementar e interpretar o CatBoost em problemas reais de previsão e explicabilidade de riscos.