• Início do curso: 22/10/2024
• Horário: todas as terças, das 19h00 às 22h00*
• Última aula: 10/12/2024 
• Carga horária: 8 aulas - 24h de curso

*Exceto feriados e véspera de feriados

Desenvolver a análise crítica necessária para escolher, ajustar, avaliar e interpretar modelos preditivos, utilizando o R como ferramanta. Também será discutido aspectos teóricos para compreender como a matemática dos modelos funciona por trás.

__________________________________________________________________________

Você sairá apta(o) a

• Construir um projeto de machine learning do começo ao fim.
• Ajustar modelos de regressão e de classificação.
• Identificar quando aplicar técnica de machine learning no seu negócio.
• Utilizar o XGBoost em problemas de modelagem preditiva.
• Ajustar um XGBoost utilizando o R.
• Avaliar a performance dos seus modelos preditivos.

__________________________________________________________________________

Ementa

O que é Machine Learning

• História
• O que é modelagem preditiva
• Definições e Nomenclaturas
• Por que e quando usar
• Métricas e Funções de Custo

Conceitos Centrais

• Overfitting
• Hiperparâmetros
• Bases de Treino/Teste/Validação

Cross-Validation

• Relação Viés-Variância

Regressão vs. Classificação

• Métricas de regressão e de classificação

Modelos de Árvores

• Árvores de decisão
• GINI e Entropia
• Ganho de Informação
• Random Forest

Tuning do modelo

• Overfitting e validação cruzada
• Métricas de performance

Gradient Boosting (XGBoost)

• O que é e quando utilizar o
• XGBoost
• Criando um XGBoost passo-a-passo
• Ajustanto um XGBoost no R com Tidymodels
• Tradução de um XGBoost em SQL

Tidymodels

• O que é
• Como usar no R
• {workflows} e {recipes}
• Ajustanto um XGBoost no R com Tidymodels
• Tradução de um XGBoost em SQL

__________________________________________________________________________

Pré-requisitos necessários

• Interesse por Ciência de Dados.
• Conhecimentos básicos de computação: criação de arquivos e pastas, instalação de programas, navegação na internet.
• Uma conta de e-mail Google para acessar o Google Sala de Aula.
• Últimas versões do R e do RStudio instaladas.

__________________________________________________________________________

Pré-requisitos sugeridos

• R para Ciência de Dados I
  

__________________________________________________________________________

Gravação das Aulas

Todas as aulas serão gravadas e o vídeo ficará disponível por pelo menos 1 ano após o término do curso.

__________________________________________________________________________

Ministrantes

Fernando Corrêa

Bacharel e mestrando em Estatística pelo IME-USP. Foi Diretor-técnico da Associação Brasileira de Jurimetria. Usa R para tudo, mas tem interesse especial em web scraping, visualização de dados e modelagem bayesiana.

__________________________________________________________________________

Certificado

Você receberá o certificado ao final do curso (sujeito à entrega de atividades solicitadas). Nele constará o nome do curso cumprido e a carga horária específica na página do curso. O certificado é individual e terá o mesmo nome que você utilizou na compra.