Curso que planejei e lecionei, aberto à comunidade acadêmica, com foco prático e didático. Abordei aprendizado supervisionado, entrando em tópicos como regressão linear, regressão logística e árvores de decisão. Já na parte de não supervisionado, entrei em detalhes sobre o tema de clusterização.
Durante o curso me preocupei em mostrar como funciona o pipeline de um simples projeto de dados. Porém explicando como as coisas funcionam por baixo dos panos. Cobri toda a parte matemática, estatistica e algoritmica da coisa. Desde coleta/entendimento dos dados → pré-processamento → treino → avaliação (métricas, matriz de confusão, curva ROC) → discussão de overfitting/underfitting. Tudo em Python com Scikit-learn.
Galeria: Alguns gráficos da aula
Insira prints dos slides, fotos da aula e gráficos de métricas usados em sala.
Figura 1: Slide: pipeline completo de ML.Figura 2: Curvas dos algoritmosFigura 3: Sigmoide
Módulo
Tema
Carga
Prática
01
Fundamentos + Pipeline
2h
EDA com Pandas
02
Regressão Linear / Logística
2h
GD vs sklearn
03
Árvores de Decisão
1,5h
GridSearchCV
04
Clusterização + Avaliação
1,5h
Matriz de confusão / ROC
Insira prints dos slides, fotos da aula e gráficos de métricas usados em sala. pelos seus PNG/JPG
(ex.: img/cifar-matriz.png) e atualize o src acima.
Ementa
5 módulos: Fundamentos, Regressão, Classificação, Clusterização e Boas práticas (cross-validation, normalização, Pipeline e GridSearchCV).
Tecnologias
Python, Scikit-learn, Matplotlib, Pandas. Notebooks comentados linha-a-linha, slides e exercícios com datasets e soluções.
