Python aplicado ao Machine Learning

Enquadramento

Este curso encontra-se projectado para data scientist, analistas e programadores que procuram construir e implementar modelos de Machine Learning utilizando Python. O curso abrange as principais bibliotecas, frameworks e fluxos de trabalho utilizados na criação, treino e avaliação de modelos preditivos e inteligentes.

Objectivos

• Compreender o fluxo de trabalho completo de Machine Learning, desde a preparação de dados até a avaliação de modelos.
• Aprender a utilizar bibliotecas fundamentais em Python como NumPy, Pandas, Matplotlib e Seaborn para manipulação, visualização e preparação de dados.
• Explorar o uso de Scikit-Learn para construir, treinar e optimizar modelos clássicos de Machine Learning, como regressão, classificação e
• Entender o funcionamento e a implementação de redes neurais com TensorFlow e Keras para resolver problemas mais complexos.
• Desenvolver a habilidade de pré-processar e preparar conjuntos de dados com técnicas como normalização, imputação e codificação de variáveis categóricas.
• Aplicar técnicas de optimização de hiperparâmetros e validação cruzada para melhorar o desempenho de modelos.
• Interpretar modelos preditivos utilizando ferramentas como SHAP e LIME para entender a importância dos recursos.
• Desenvolver projetos práticos de Machine Learning, integrando diferentes bibliotecas e práticas recomendadas para resolver problemas reais

Programa

1.  Introdução ao Python para Machine Learning

O que é Machine Learning e onde a linguagem Python se encaixa.

Ambientes de desenvolvimento recomendados: Jupyter Notebook, VS Code, Google Colab.

Principais bibliotecas para Machine Learning: visão geral das bibliotecas como NumPy, Pandas, Matplotlib, Scikit-Learn, TensorFlow, Keras e PyTorch.

2.  Manipulação de Dados com NumPy e Pandas

Introdução ao NumPy: Arrays, operações vetorizadas e manipulação de matrizes.

Workflow com dados em Pandas: DataFrames, Series, operações de limpeza e transformação de dados.

Preparação e pré-processamento de dados: manipulação de dados em falta, padronização, normalização, one-hot encoding.

3.  Visualização de Dados para Machine Learning

Introdução ao Matplotlib e Seaborn: Criação de gráficos básicos e avançados. Exploração de dados: Análise visual de padrões, correlações e insights.

Gráficos específicos para ML: Pair plots, heatmaps de correlação, histogramas e box plots.

4.  Introdução ao Scikit-Learn e Fluxo de Trabalho de Machine Learning

Fluxo de trabalho em ML com Scikit-Learn: Importação, pré-processamento, criação, treino e avaliação de modelos.

Separação de dados: Divisão entre dados de treino, validação e teste com train_test_split.

Escolha do modelo: Tipos de algoritmos e suas aplicações (classificação, regressão e clustering).

5.  Modelos de Classificação com Scikit-Learn

Algoritmos principais: Regressão Logística, K-Nearest Neighbors (KNN), Decision Trees, Random Forest e Support Vector Machine (SVM).

Construção, ajuste e avaliação de modelos de classificação.

Métricas de avaliação: Acurácia, precisão, recall, F1-score, matriz de confusão e curva ROC/AUC.

6.  Modelos de Regressão com Scikit-Learn

Algoritmos principais: Regressão Linear, Ridge, Lasso, e Regressão de Árvores de Decisão.

Construção e ajuste de modelos de regressão. Métricas de avaliação para regressão: RMSE, MAE, R².

7.  Introdução a Modelos de Clustering e Redução de Dimensionalidade

Clustering: K-Means, Hierarchical Clustering e DBSCAN.

Redução de dimensionalidade com PCA (Principal Component Analysis). Aplicações práticas: Segmentação de clientes, análise de componentes principais.

8.  Otimização de Modelos e Seleção de Hiperparâmetros

Técnicas de validação cruzada (Cross-Validation).

Otimização de hiperparâmetros com GridSearchCV e RandomizedSearchCV. Estratégias para evitar overfitting e underfitting.

9.  Introdução a Redes Neurais com TensorFlow e Keras

Fundamentos de redes neurais: Neurônios, camadas e funções de ativação.

Construção de modelos básicos com Keras: Modelo sequencial e definição de camadas.

Treino e avaliação de redes neurais simples: Forward pass, backpropagation, ajuste de hiperparâmetros.

10.  Avaliação e Interpretação de Modelos

Interpretação de modelos com SHAP e LIME: Explicabilidade dos modelos e importância de recursos.

Visualização de aprendizagem e ajuste de modelos: Learning curves e métricas de treino.

Relatórios e apresentação de resultados: Como comunicar insights de modelos ML.

11.  Prática de Implementação e Projetos de Machine Learning

Projeto 1: Classificação de imagens com Keras e CNNs. Projeto 2: Regressão com Scikit-Learn.

Projeto 3: Segmentação de clientes com clustering.

Projeto 4: Pipeline de ML completo para predição de churn com Scikit-Learn e Pandas.