/Machine-Learning-I

EAD Aprendizado de Máquina I

Primary LanguageJupyter NotebookGNU General Public License v3.0GPL-3.0

DOI



Aprendizado de Máquina I

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.



Apresentação do Curso

  1. Introdução ao Aprendizado de Máquina

  2. Aprendizado Supervisionado e Regressão Linear

Lab Caso: Estimando a emissão de gases CO2 de veículos

  1. Classificação: Regressão Logística

Lab Caso: Origem dos veículos

  1. Classificação: Knn

Lab Caso: Predição de Diagnósticos a partir de Dados de Imagens

  1. Árvores de Decisão e Seleção de Atributos

Lab Caso: Propensão de Compra de Clientes por Telemarketing

  1. Validação Cruzada e GridSearch

Lab Caso: Propensão de Compra de Clientes por Telemarketing

  1. Seleção de Modelos

Projeto em Grupo

  1. Aprendizado Supervisionado com R

Lab Caso: Controle de Qualidade de Peças



Vídeos e Complementos

Acesse aqui.



Cases e Funções

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)


Atividades

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


Principais Referências

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)