O curso tem caráter de pós-graduação lato sensu e faz parte do “Programa de Revitalização da Indústria Nordestina - NE4.0”, resultado de uma parceria entre diversas Universidades do Nordeste (UFRN, UFPB, UPE, entre outras) e a Sudene. O programa propõe a ampliação e adoção de novas tecnologias por parte das indústrias da região, envolvendo diversos segmentos e capacitando mão de obra de alta qualificação.
- 📚 Jason Brownlee. Machine Learning Mastery With Python. [Link]
- 📚 Jason Brownlee. Data Preparation for Machine Learning. [Link]
- 📚 Aurélien Géron. Hands on Machine Learning with Scikit-Learn, Keras and TensorFlow. [Link]
- 📚 Noah Gift, Alfredo Deza. Practical MLOps: Operationalizing Machine Learning Models [Link]
Aula 01 Apresentação do curso
- Motivação, conteúdo, calendario, outros.
- 🚀 Python Crash Course
Aula 02 ❤️ Introdução ao módulo Pandas
- Fundamentos do Pandas
- Tipos principais: series e dataframes
- Seleção e atribuição de dados
- Criação de linhas e colunas
- Hands on
Aula 03 🐉 Explorando dados com Pandas
- Slicing: loc vs iloc
- Filtragem de dados usando operadores lógicos
- Agregação
- Boas práticas na utilização de laços no Pandas
- desafio
- Hands on
Aula 04 🍕 Visualização de Dados
- Gráficos de linha e séries temporais
- Gráficos de dispersão e correlação
- Gráficos de barras e histograma
- Visualização com Pandas e gráficos de malha
- Gráficos relacionais e de múltiplas variáveis
- Princípios de design
- Contando uma história
- Hands on
Aula 05 Fundamentos de Aprendizado de Máquina
- O que é aprendizado de máquina?
- Tipos de aprendizado de máquina
- Principais desafios
- Variáveis, fluxos e controlando o caos
- Instâncias de treinamento, desenvolvimento/validação e testes
- Viés e variância
- Variáveis, fluxos e controlando o caos
Aula 06 K-Vizinhos mais próximos (KNN)
- Introdução a KNN
- Avaliando o desempenho de um modelo
- KNN multivariável
- Otimização dos hiperparâmetros
- Validação cruzada
- Projeto fim a fim
- Hands on
Aula 07 Árvores de decisão
- Fundamentação teórica
- Introdução
- Fundamentos matemáticos
- Introdução
- Métricas de avaliação
- Como escolher uma métrica de avaliação
- Métricas de limites
- Métricas de classificação
- Como escolher uma métrica de avaliação
- 🚀 Estudo de caso
- Google Colaboratory
- Configurando o ambiente de desenvolvimento
- Extração, transformação e carga (ETL)
- Análise exploratória dos dados (EDA)
- Coleta dos dados
- Pandas-Profiling
- EDA manual
- Pré-processamento
- Análise exploratória dos dados (EDA)
- Checagem dos dados
- Segragação dos dados
- Treinamento
- Componente de treinamento e validação
- Preparação dos dados e remoção de valores atípicos
- Codificação da variável alvo
- Codificando as variáveis independentes
- Criando um pipeline para as variáveis categóricas
- Criando um pipeline para as variáveis numéricas
- Mesclando pipelines
- Validação holdout
- Métricas de avaliação
- Personalização dos hiperparâmetros usando o Wandb
- Configuração, treinamento e exportação dos melhores modelos
- Componente de treinamento e validação
- Teste
- Google Colaboratory
Aula 08 Implantando um Modelo de Aprendizado de Máquina em Produção
Hands on - Resumo da aula anterior
- Instalando o ambiente de desenvolvimento
- Gerenciamento do ambiente com o Conda
- Usando a FastAPI para construção de APIs
- Hello world usando a fastapi
- Implementando um método post
- Parâmetros da API
- Teste local da API
- Implantação da API com a FastAPI
- Consumindo uma API RESTful
- Usando pytest e fastAPI para testar a nossa API RESTful
- Fundamentos de CI/CD
- Configurando GitHub Actions
- Integração contínua
- Implantando nossa API no Heroku
- Criando uma nova aplicação no Heroku
- Configurando a entrega contínua
- Depuração e teste da API
- Criando uma nova aplicação no Heroku
