Matemática para Machine Learning (com Transformers)
- Descrição
- Currículo
- FAQ
- Revisões
ML é sem dúvida uma das tecnologias mais em evidência em nossos dias! Se você está começando com ML e quer se tornar um Cientista de Dados você precisa entender a matemática por trás de algoritmos de ML. Não há como contornar isso. É uma parte intrínseca do papel de um Cientista de Dados e qualquer recrutador ou profissional experiente vai atestar isso. O entusiasta que está interessado em aprender mais sobre a magia por trás de algoritmos de ML atualmente enfrenta um conjunto assustador de pré-requisitos: Programação, Análise de Dados em larga escala, estruturas matemáticas associadas a modelos e o próprio conhecimento da aplicação em foco.
Uma queixa comum de estudantes de matemática em todo o mundo é que os temas abordados parecem ter pouca relevância com problemas práticos. Mas esse não é o caso com o ML
Este curso não foi projetado para torná-lo um Matemático, porém fornece uma abordagem prática para trabalhar com dados e se concentra nos principais conceitos matemáticos que você encontrará em estudos de aprendizado de máquina. Ele foi pensado para preencher as lacunas para os alunos que perderam esses conceitos-chave como parte de sua educação formal, ou que precisam se atualizar depois de uma longa pausa de estudar matemática.
Nesta atualização do curso (Junho/2024) foi incluído um capítulo sobre os Tansformers, o mecanismo usado pelo ChatGPT e similiares
-
30
Estatística no contexto de Machine Learning -
31
Diferenças significativas entre ML e Estatística
-
32
Estatística descritiva e inferencial
-
33
Variáveis e métricas em estatistica
-
34
Processos determinístico e estocástico
-
35
Hipóteses em Estatística e ML
-
36
O p-value
-
37
Valor Crítico, Significância e Confiança
-
38
Testes Estatísticos
-
39
Erros Estatísticos
-
40
Poder Estatístico
-
41
Testes Estatísticos em Python
-
42
A distribuição Normal
-
43
Modelos lineares e não lineares
-
44
Transformação dos dados
-
45
Transformação de dados em Python
-
46
Introdução
-
47
Incerteza a Probabilidades em Machine Learning
-
48
Interpretação frequentista vs bayesiana
-
49
Definições básicas
-
50
Axiomas e Teoremas
-
51
Distribuições de Probabilidades
-
52
Distribuição de Probabilidades Contínuas
-
53
Distribuições de Probabilidades Discretas
-
54
Distribuições de Probabilidades no Python
-
55
Probabilidade Condicional
-
56
Teorema de Bayes
-
57
Algoritmo Naive Bayes
-
58
Naive Bayes no Python
-
59
Teorema do Limite Central e a Lei dos Grandes Números
-
60
Expectativa, Chance (odds), Likelihood
-
61
Maximum Likelihood Estimation (MLE)
