Ciência de Dados na Plataforma Knime
- Descrição
- Currículo
- FAQ
- Revisões
Título: Introdução a Ciência de Dados com ênfase em Aprendizado de Máquina utilizando a Plataforma Knime.
Objetivos: Apresentamos uma introdução a ciência de dados com ênfase em aprendizado de máquina utilizando a plataforma Kinme. Todos os tópicos são abordados de forma teórica e prática.
Dúvidas durante o curso: você conta com a ajuda de instrutores altamente qualificados: doutores pela UFMG, pesquisadores e analistas em ciência de dados.
Professor (instrutor): Sérgio M. Dias
Resultados esperados:
O que aprenderei?:
-
Aprenda a importância da ciência de dados e suas principais aplicações
-
Conheça as principais ferramentas para ciência de dados
-
Conheça a plataforma knime, reconhecida pelo Gartner como uma das plataformas lideres em ciência de dados e aprendizado de máquina
-
Aprenda na prática diferentes técnicas e etapas do processo de ciência de dados na plataforma knime
-
Conheça os conceitos e faça práticas na plataforma knime para os seguintes assuntos:
-
Aprendizado de Máquina
-
Preparação dos dados
-
Técnicas de Agrupamento
-
Análise Preditiva
-
Tarefa de classificação
-
-
7
O que é aprendizado? -
8
Motivação
-
9
Tipos de Aprendizado de Máquina
-
10
Paradigmas do aprendizado
-
11
Estrutura básica do processo de AM
-
12
Extração de Características
-
13
Qual a relação entre aprendizado de máquina e ciência de dados?
-
14
Qual é a relação com a mineração de dados?
-
15
Qual o caminho entre o produto e o algoritmo de AM?
-
28
Um pouco antes! Dados para aprendizado não supervisionado e supervisionado
-
29
knowledge-discovery in databases KDD
-
30
Seleção dos dados
-
31
Prática – Seleção de uma base de dados e inferências de tipos
-
32
Pré-processamento, limpeza dos dados e dados ausentes (missing values)
-
33
Prática - Tratamento de dados ausentes
-
34
Dados discrepantes (outliers)
-
35
Prática - Selecionar atributos e Remover outliers
-
36
Transformação dos dados
-
37
Prática - Matriz de correlação
Observação: correlação e não coorelação
-
38
Normalização
-
39
Prática - Normalizar dados
-
40
Discretização
-
41
Prática - Discretização de dados
-
42
Aprendizado de máquina, Interpretação e avaliação, e Conhecimento
-
43
Faça você mesmo!
-
44
Análise de agrupamento
-
45
Estratégias por partição: O algoritmo k-means - Aula 1
-
46
Estratégias por partição: O algoritmo k-means - Aula 2
-
47
Prática - algoritmo k-means
-
48
Agrupamento por densidade: Algoritmo DBSCAN
-
49
Prática - algoritmo DBSCAN
-
50
Estratégias hierárquicas: Os métodos AGNES e DIANA
-
51
Prática - agrupamento hierarquico
-
52
Faça você mesmo!
-
58
A tarefa de classificação
-
59
Matriz de confusão, métricas e curva ROC
-
60
Prática - Matriz de confusão, métricas e curva ROC
-
61
K-vizinhos mais próximos (KNN)
-
62
Prática - KNN - parte 1
-
63
Prática - KNN - parte 2
-
64
Árvore de decisão
-
65
Prática - Árvore de decisão
-
66
Classificador Bayesiano
-
67
Prática - Classificador Bayesiano
-
68
Support Vector Machine - SVM
-
69
Prática - SVM
-
70
Faça você mesmo!
