Nestes cursos foram ensinados como fazer o pré-processamento em bases de dados com pandas e scikit-learn, a base teórica sobre os principais algoritmos de Machine Learning e a realização de projetos de diferentes tipos, tais como: classificação, regressão, regras de associação e agrupamento.
Os problemas de classificação são aqueles onde se é buscado encontrar uma ou mais classes, onde essa classe poderia ser se uma pessoa tem determinada doença ou não, se é um cachorro ou um gato, se é 0 ou 1, dentre outras possibilidades, que neste caso a previsão será um ou outro.
-
Projeto 1 - Credit-data
- Projeto de Machine Learning onde é realizado a previsão que indica se o usuário pagou ou não o empréstimo.
- Foram usados os seguintes modelos de Machine Learning (Naive Bayes, Decision Tree, Random Forest, kNN, Regressão Logística, SVM e Redes Neurais Artificiais)
-
Projeto 2 - Census
- Projeto de Machine Learning onde é realizado a previsão que indica a renda do usuário de acordo com os seus atributos (onde poderia ser <=50k e >=50k)
- Foram usados os seguintes modelos de Machine Learning (Naive Bayes, Decision Tree, Random Forest, kNN, Regressão Logística, SVM e Redes Neurais Artificiais)
-
Projeto 3 - breast_cancer
- Projeto de Machine Learning onde é realizado um diagnóstico de câncer de mama que prevê se um tumor é maligno ou se um tumor é benigno.
-
Projeto 4 - iris
- Projeto de Machine Learning onde é realizado a classificação de três tipos de plantas (Iris-Versicolor, Iris-Setosa e Iris-Virginica)
Os problemas de regressão são quando é necessário prever um valor númerico, como o preço de determinada casa, preço de automóveis, peso ou altura de uma determinada pessoa, etc.
-
Projeto 5 -house_prices
- Projeto de Machine Learning onde é realizado a previsão do preço de determinada casa de acordo com os seus atributos.
- Foram usados os seguintes modelos de Machine Learning (Naive Bayes, Decision Tree, Random Forest, kNN, Regressão Logística, SVM e Redes Neurais Artificiais)
-
Projeto 6 - autos
- Projeto de Machine Leraning onde é realizado a previsão de quanto vale determinado carro usado.
-
Projeto 7 - games
- Projeto de Machine Learning onde é realizado a previsão da venda de determinados jogos, porém foi realizado a previsão de 3 valores (Vendas no Japão, Vendas na América do norte e vendas na Europa)
Os problemas de Regras de associação são aqueles que procuram identificar conjuntos de itens frequentes (neste caso, pares de itens) e padrões frequentes em conjuntos de dados.
- Projeto 8 - market_basket
- Projeto de Machine Learning onde é realizado a identificação dos conjuntos de alimentos frequentes comprados no mercado.
Os problemas de Agrupamento consistem em agrupar determinados usuários/produtos/itens.
- Projeto 9 - credit_card
- Projeto de Machine Learning onde é realizado o agrupamento de usuários que tem gastos e limites de créditos baixos/médios/altos.
Neste curso foi ensinado a teoria e a prática de como construir redes neurais artificiais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, auto encoders e redes adversariais generativas. Foram realizados projetos de diferentes tipos, tais como: classificação, regressão, redes neurais convolucionais, recorrentes e sistemas de recomendação.
Os modelos de Redes Neurais Convolucionais (CNN) são mais utilizadas em visão computacional, processamento e análise de imagens e detecção de objetos, etc.
-
Projeto 10 - cats_dogs
- Projeto de Deep Learning que é realizado a previsão se uma determinada imagem é um gato ou um cachorro.
-
Projeto 11 - conv_homer_bart
- Projeto de Deep Learning que é realizado a previsão se uma determinada imagem é o personagem homer ou o personagem bart.
Os modelos de Redes Neurais Recorrentes (RNN) são mais utilizadas em análises de séries temporais.
-
Projeto 12 - petr4 & petr4_multi
- Projeto de Deep Learning que é realizado a previsão dos preços das bolsas de valores utilizando a base de dados da petrobras dos anos de 2013 a 2014
-
Projeto 13 - poluicao_china
- Projeto de Deep Learning que é realizado a previsão dos valores da poluição na china.
Os modelos de Mapas Auto Organizáveis são utilizados para detecção de características e agrupamento.
-
Projeto 14 - wines
- Projeto de Deep Learning que é realizado o mapa auto organizável de uma base de dados de vinhos na região da itália, porém derivados de 3 cultivadores diferentes.
-
Projeto 15 - breast_cancer-map
- Projeto de Deep Learning onde é realizado o mapaa auto organizável do diagnóstico de câncer de mama que prevê se um tumor é maligno ou se um tumor é benigno.
Os modelos de Boltzmann Machines são utilizados para sistemas de recomendação e redução de dimensionalidade de imagens.
- Projeto 16 - movies_boltzmann
- Projeto de Deep Learning onde é realizado um sistema de recomendação de filmes de determinadas tipos de filmes (terror e comédia)
Os modelos de Autoencoder são focados em redução de dimensionalidade de imagens.
-
Projeto 17 - mnist_autoencoder & mnist_autoencoder_convolutional
- Projeto de Deep Learning utilizando a base de dados mnist (dígitos manuscritos a mão) utilizando os autoencoders para redução de dimensionalidade de imagens.
-
Projeto 18 - cifar10_autoencoder
- Projeto de Deep Learning utilizando a base de dados cifar10 utilizando os autoencoders para redução de dimensionalidade de imagens.