Onde encontrar um curso gratuito de Machine Learning: Algoritmos, Projetos e Prática em Python ?

Name: Machine Learning: Algoritmos, Projetos e Prática em Python
Availability: InStock

Imagem do Curso gratuito Machine Learning: Algoritmos, Projetos e Prática em Python

Curso online gratuito Machine Learning: Algoritmos, Projetos e Prática em Python

Duração do curso online: 13 horas e 30 minutos

Novo

Aprenda Machine Learning na prática com Python: modelos, métricas e projetos reais. Curso online gratuito para evoluir na IA e ganhar segurança para aplicar no trabalho.

Neste curso gratuito, aprenda sobre

Entendimento do fluxo de um projeto de ML: dados, treino, avaliação e entrega
Construção de ABT (Analytical Base Table) para modelagem e treino de modelos
Uso do scikit-learn: formato de X (matriz 2D) e y (vetor 1D) e etapa de fit
Pré-processamento: one-hot encoding de categóricas e padronização/normalização
Árvores de decisão (classificação): splits por Gini/entropia e objetivo de pureza
Árvores de decisão (regressão): splits por redução de erro/variância (ex.: MSE)
Regressão linear: mínimos quadrados e objetivo de minimizar o erro quadrático
Regressão logística: quando usar e como converter probabilidades em classe (threshold)
Naive Bayes: cálculo de probabilidades e regra de decisão pela classe mais provável
Métricas de classificação: limites da acurácia e leitura da matriz de confusão
Efeito do threshold nas métricas (precision/recall) e nos erros FP/FN da matriz
Boas práticas: split treino/teste e como evitar data leakage na análise/explore
Pipelines no scikit-learn: encadear transformações e evitar vazamento em produção
Produção: serialização, tuning com GridSearch+CV, paralelismo e MLflow para rastreio

Descrição do curso

Domine os fundamentos de Machine Learning e, principalmente, ganhe prática para transformar dados em decisões com Python. Neste curso online gratuito, você aprende a pensar como quem entrega soluções: do entendimento do problema e preparação da base analítica (ABT) até o treinamento, avaliação e disponibilização de modelos para uso real.

A jornada começa com a lógica de um projeto de Machine Learning, reforçando como dados e objetivos se conectam e por que etapas como validação, prevenção de vazamento de informação e divisão em treino e teste são determinantes para resultados confiáveis. Em seguida, você constrói modelos e desenvolve intuição sobre como algoritmos aprendem padrões a partir das variáveis explicativas (X) e do alvo (y), incluindo decisões de pré-processamento que permitem trabalhar com dados categóricos no scikit-learn.

Você pratica em Python com exemplos que tornam o aprendizado tangível, explora classificadores e regressões, e entende quando escolher regressão linear, regressão logística, Naive Bayes, árvore de decisão e Random Forest. O foco é ganhar clareza sobre critérios de divisão (splits), objetivo dos mínimos quadrados, interpretação de probabilidades e escolha de limiar (threshold) para converter probabilidade em decisão de classe.

Para evoluir além do “modelo treinado”, você aprofunda métricas de avaliação, limitações da acurácia, leitura de matriz de confusão e impactos práticos ao ajustar o threshold. Também entra no fluxo completo de um projeto de churn, passando por exploração, modificações, normalização/padronização quando necessário, discretização e criação de pipelines para evitar inconsistências entre treino e produção.

Ao final, você entende como otimizar hiperparâmetros com Grid Search e validação cruzada, por que paralelizar treinamentos acelera experimentos e como registrar, versionar e carregar modelos com MLflow para produção com mais governança. É um caminho direto para desenvolver habilidade aplicada em Inteligência Artificial e Ciência de Dados e construir confiança para resolver problemas reais com Machine Learning.

Conteúdo do curso

Aula em vídeo: Machine Learning 01: Sobre o curso e dados 39m
Exercício: Qual sequência representa melhor as etapas finais de um projeto de Machine Learning citado no curso?
Aula em vídeo: Machine Learning 02: Construindo Modelo 30m
Exercício: Em uma árvore de decisão para classificação, qual critério orienta a escolha do próximo corte (split) em cada nó?
Aula em vídeo: Machine Learning 03: Prática no Python (Frutas) 24m
Exercício: Em um modelo de Árvore de Decisão no scikit-learn, em que momento ocorre o aprendizado a partir de X (características) e y (variável resposta)?
Aula em vídeo: Machine Learning 04: Prática no Python (Cerveja) 19m
Exercício: Ao treinar uma árvore de decisão com scikit-learn, por que foi necessário transformar colunas categóricas (ex.: copo, espuma, cor) em números antes do fit?
Aula em vídeo: Machine Learning 05: Case Star Wars 21m
Exercício: Qual insight a árvore de decisão trouxe ao analisar o status (apto/defeituoso) dos clones?
Aula em vídeo: Machine Learning 06: Ciclo Analítico 14m
Exercício: Em Machine Learning, qual opção descreve melhor uma ABT (Analytical Base Table) no contexto de treinar um modelo?

Aula em vídeo: Machine Learning 07: Regressão Linear 31m
Exercício: No ajuste de uma regressão linear pelo método dos mínimos quadrados, qual é o objetivo principal?
Aula em vídeo: Machine Learning 08: Árvore de Decisão - Regressão 14m
Exercício: Em uma árvore de decisão para regressão, como é escolhido o melhor ponto de corte (split) em uma variável contínua?
Aula em vídeo: Machine Learning 09: Prática no Python (Reg. Linear e Árvore) 28m
Exercício: Em modelos do scikit-learn, por que a variável X costuma ser representada como uma matriz (2D) e Y como um vetor (1D)?
Aula em vídeo: Machine Learning 10: Regressão Logística 22m
Exercício: Quando faz mais sentido usar regressão logística em vez de regressão linear?
Aula em vídeo: Machine Learning 11: Árvore de Decisão (Classificação) 25m
Exercício: Em árvores de decisão para classificação, qual é o objetivo ao escolher um split usando métricas como Gini ou entropia?
Aula em vídeo: Machine Learning 12: Naive Bayes 28m
Exercício: No Naive Bayes, como é feita a decisão de classe para um novo exemplo?
Aula em vídeo: Machine Learning 13: Prática no Python (Classificação) 22m
Exercício: Ao usar regressão logística para classificar aprovado a partir da variável cerveja, como a predição final (0 ou 1) é obtida a partir das probabilidades?

Aula em vídeo: Machine Learning 14: Métricas de ajuste - Introdução 28m
Exercício: Qual é a principal limitação da acurácia como métrica de avaliação em classificação?
Aula em vídeo: Machine Learning 15: Métricas de ajuste (Matriz de Confusão) 1h04m
Exercício: Ao alterar o ponto de corte (threshold) na probabilidade de um classificador binário, qual efeito é esperado nas métricas e na matriz de confusão?
Aula em vídeo: Machine Learning 16: Prevendo a Felicidade 33m
Exercício: Após escolher e ajustar o melhor modelo, qual é o principal motivo para salvá-lo em um arquivo binário (serialização) antes de criar o app?

Aula em vídeo: Machine Learning 17: Projeto Churn - Sample 52m
Exercício: Qual é a principal razão para separar os dados em treino e teste antes de avaliar um modelo?
Aula em vídeo: Machine Learning 18: Projeto Churn - Explore 35m
Exercício: Durante a etapa de explore em um fluxo de Machine Learning, qual prática é recomendada para evitar vazamento de informação (data leakage) na análise?
Aula em vídeo: Machine Learning 19: Projeto Churn - Modify 57m
Exercício: Qual situação descreve melhor por que padronizar/normalizar variáveis pode ser importante em alguns algoritmos de Machine Learning?
Aula em vídeo: Machine Learning 20: Projeto Churn - Modify (Python) 27m
Exercício: Ao usar um discretizador por árvore de decisão, por que é necessário executar primeiro o método fit na base de treino e só depois aplicar transform nas demais bases (treino, teste e OOT)?
Aula em vídeo: Machine Learning 21: Projeto Churn - Pipeline 32m
Exercício: Qual é a principal vantagem de usar um Pipeline do scikit-learn ao encadear discretização, one-hot encoding e o modelo?
Aula em vídeo: Machine Learning 22: Projeto Churn - Assess 40m
Exercício: No contexto de Random Forest, o que o parâmetro n_jobs = -1 faz?
Aula em vídeo: Machine Learning 23: Projeto Churn - Tuning 45m
Exercício: No processo de otimização de hiperparâmetros com Grid Search + validação cruzada (CV), qual afirmação descreve corretamente como o melhor modelo é escolhido?
Aula em vídeo: Machine Learning 24: Projeto Churn - Novas predições 44m
Exercício: Ao colocar um modelo em produção, qual é a principal vantagem de registrar e carregar o modelo via MLflow em vez de salvar manualmente um arquivo .pkl no disco?

Aula em vídeo: Machine Learning 25: Métricas Adicionais 22m
Exercício: Ao ordenar as observações pela probabilidade prevista de estar incorreto, qual métrica/gráfico ajuda a decidir qual percentual mínimo da base precisa ser revisado para capturar 100% dos erros?

Cursos online Gratuitos sobre Machine Learning

Aprenda sobreMachine Learning

Descubra os melhores cursos gratuitos de Machine Learning online! Aprenda IA com professores renomados e avance na carreira. Inscreva-se já e domine ML!

Aprenda sobrePython

Domine Python grátis! Explore cursos online de Python para todos os níveis: aprenda programação, análise de dados e IA com especialistas. Inscreva-se já!