Machine Learning

Conteúdo do curso:

1. Diferença entre Estatística, Ciência de Dados, Machine Learning e Inteligência Artificial

2. Taxonomia dos modelos de ML: aprendizado supervisionado, não-supervisionado e por reforço

3. O que faz um modelo de ML ser bom?

4. Treino, validação e teste

5. Validação cruzada e suas variantes

6. Métricas de Regressão

7. Métricas de Classificação

8. Algoritmos de aprendizado supervisionado:

   1. Regressão Linear

   2. Regressão Logística

   3. KNN

   4. Naive Bayes

   5. Árvores de decisão

   6. Florestas aleatórias

   7. SVM

   8. Redes Neurais

9. Overfitting e Underfitting

10. O trade-off entre viés e variância

11. Regularização L1, L2 e ElasticNet

12. LASSO e Ridge Regression. Diferenças e relação com regressão bayesiana.

13. Ensembles de modelos: bagging e boosting.

14. Adaboost, Catboost e XGBoost

15. Análise de Clusters:

    1. KMeans

    2. GMM

    3. Clusterização hierárquica (ou aglomerativa)

    4. DBSCAN

    5. Clusterização espectral

16. Redução de dimensionalidade:

    1. PCA

    2. t-SNE

    3. UMAP

17. Noções de aprendizado por reforço