O material disponibilizado nesse repositório são anotações e exercícios do curso do Professor Jones Granatyr (Udemy), além de alguns testes meus com base nos modelos ensinados em aula.
Os arquivos encontram-se em Jupyter Notebooks por ser a maneira mais didática de observar o que está ocorrendo em cada etapa da análise ou implementação do modelo.
- Seção 01 - Métricas de avaliação de modelos
Parte 01 - Classificação
-
Seção 01 - Métricas de avaliação de modelos
-
Seção 04.02 - Aprendizagem Bayesiana (Análise de crédito)
-
Seção 04.05 - Aprendizagem Bayesiana
-
Seção 05.01 - Aprendizagem por árvores de decisão (Análise de crédito)
-
Seção 05.01 - Aprendizagem por árvores de decisão (Análise de crédito-sem escalonamento)
-
Seção 05.02 - Aprendizagem por random forests (base crédito)
-
Seção 05.03 - Aprendizagem por árvores de decisão (Censo)
-
Seção 07.01 - Aprendizagem baseada em instâncias (KNN)
-
Seção 08.01 - Regressão logística (base risco crédito)
-
Seção 08.02 - Regressão logística (base crédito)
-
Seção 08.03 - Regressão logística (base censo)
-
Seção 09.01 - Support Vector Machines (base crédito)
-
Seção 09.02 - Support Vector Machines (base censo)
-
Seção 10 - Redes Neurais Artificiais
Parte 02 - Regressão
-
Seção 14.01 - Regressão Linear Simples (base plano de saúde)
-
Seção 14.02 - Regressão Linear Simples (base preço casas)
-
Seção 14.03 - Regressão Linear Múltipla (base preço casas)
-
Seção 14.04 - Regressão Polinomial (base plano de saúde)
-
Seção 14.05 - Regressão Polinomial (base preço casas)
-
Seção 14.06 - Árvores de Regressão (base plano de saúde)
-
Seção 14 - Regressão Linear (Desafio_Auto Imports Database)
Parte 03 - Regras de associação
- Seção 17 - Regras de associação - Algoritmo apriori
Parte 04 - Agrupamento
-
Seção 20 - Agrupamento com K-means e K-medians (Análise de crédito)
-
Seção 20 - Agrupamento com K-means++ (Análise de crédito)
Parte 05 - Além-mar
-
Seção 24.02 - Redução de dimensionalidade - PCA (base census)
-
Seção 24.03 - Kernel PCA (base census)
-
Seção 25.01 - Detecção de outliers
Por fim, para facilitar (para mim), uso um mapa, que está em constante preenchimento, para navegar. =)
graph LR;
A[Python Básico]-->B[Pandas + Matplotlib];
C[Lógica de Programação]-->B;
D[Estatística Básica]-->B;
D-->E[Teste de hipótese];
F[Probabilidade]-->B;
F-->E;
E-->G[Regressão Linear];
E-->H[Análise Multivariada];
B-->I[Sklearn + statmodels];
H-->I;
G-->I;
J[Banco de Dados SQL]-->K[Apache Spark];
L[Banco de Dados NoSQL]-->K;
I-->K;
M[GNU/Linux + Bash + Git + Docker];
click A "https://github.com/TeoCalvo/teomerefs/#programa%C3%A7%C3%A3o"
click C "https://github.com/TeoCalvo/teomerefs/#programa%C3%A7%C3%A3o"
click D "https://github.com/TeoCalvo/teomerefs/#estat%C3%ADstica"
click E "https://github.com/TeoCalvo/teomerefs/#estat%C3%ADstica"
click F "https://github.com/TeoCalvo/teomerefs/#estat%C3%ADstica"
click G "https://github.com/TeoCalvo/teomerefs/#estat%C3%ADstica"
click H "https://github.com/TeoCalvo/teomerefs/#estat%C3%ADstica"
click I "https://github.com/TeoCalvo/teomerefs/#machine-learning"
click J "https://github.com/TeoCalvo/teomerefs/#banco-de-dados"
click L "https://github.com/TeoCalvo/teomerefs/#banco-de-dados"
click M "https://github.com/TeoCalvo/teomerefs/#utilit%C3%A1rios"