Oliveira, R. (2022). Aprendizado de Máquina I. (pp. 1–227). eBook. https://doi.org/10.5281/zenodo.6702272.
Para acesso ao conteúdo clique nos Capítulos, no Título, ou acesse aqui.
Lab Caso: Predição de Diagnósticos a partir de Dados de Imagens
Acesse aqui.
Aula | Casos Práticos | Principais Funções |
---|---|---|
1. | - | - |
2. | CASO: Estimando o Preço de Veículos | statsmodel , sm.ols |
3. | CASO: Estimando Tumores Malignos ou Benignos | sklearn , LogisticRegression |
CASO: 10 year risk of coronary heart disease CHD | train_test_split |
|
4. | CASO: 10 year risk of coronary heart disease CHD | KNeighborsClassifier ,sklearn.preprocessing , minmax_scale |
5. | CASO: Classifying Political Parties Based on Congressional Votes | DecisionTreeClassifier , sklearn.feature_selection , mutual_info_classif , SelectKBest , StandardScaler , LabelEncoder |
6. | CASO: Breast Cancer biopsy | KFold , LabelEncoder , GridSearchCV , RandomForestClassifier , OneHotEncoder |
7. | CASO: Classificando Imagens de Dígitos ( 8×8 ) | MLPClassifier , SVC , GridSearchCV |
CASO: Classificando o MNIST (28×28) | DecisionTreeRegressor , SVR , XGBRegressor |
|
CASO: Um Conjunto não Linear, Potencial de Ação de um Neurônio | ||
CASO: Bike Sharing Prediction | ||
8. | CASO: Iris Data Set | lm , Caret , rpart |
CASO: Biopsy, Câncer de Mama | naivebayes , glm , knn |
|
CASO: Classificando o MNIST (28×28) |
Aula | Atividade | Nota |
---|---|---|
1. | Exercícios Moodle | 1.0 |
2. | Exercícios Moodle & Lab | 1.0 |
3. | Exercícios Moodle & Lab | 1.0 |
4. | Exercícios Moodle & Lab + Fórum Regressão Linear X Logística para Classificação | 1.5 |
5. | Exercícios Moodle & Lab + Fórum Outros critérios de Seleção de Atributos | 1.5 |
6. | Exercícios Moodle & Lab | 1.0 |
7. | Projeto de Aprendizado de Máquina em Grupo | 2.0 |
8. | Exercícios Moodle & Lab | 1.0 |
Total do Curso | 10.0 |
Jake VanderPlas. Python Data Science Handbook O'Reilly Media, Inc. (2016). ISBN: 9781491912058. Disponível em: https://jakevdp.github.io/PythonDataScienceHandbook/. Acesso: 06 de Novembro de 2021.
Kotu, Vijay; Deshpande, Balachandre Data Science: concepts and practice. 2nd ed. Cambridge, [England]: Morgan Kaufmann, c2019. E-book (570 p.) ISBN 9780128147627 (electronic bk.). Disponível em: http://pergamum.mackenzie.br:8080/pergamumweb/vinculos/00003c/00003cef.jpg.
Larose, Chantal D.; Larose, Daniel T. Data Science Using Python and R Hoboken: Wiley, c2019. E-book (259 p.) (Wiley Series on Methods and Applications in Data Mining Ser.). ISBN 9781119526834 (electronic bk.). Disponível em: https://www3.mackenzie.br/biblioteca_virtual/index.php?tipoBiblio=ebookcentral&flashObg=n
Géron, A. Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: concepts, tools, and techniques to build intelligent systems, 2nd ed. (2019) O'Reilly
Alpaydin, E. Machine Learning (The MIT Press Essential Knowledge). The MIT Press. 2019.
Kelleher, J. D.; Tierney, Brendan. Data Science (The MIT Press Essential Knowledge). The MIT Press. 2018.
Manapat, Michael. Introduction to Machine Learning with Python. Em An Introduction to Machine Learning. EMag Edição 50 (Abr 2017)