Conteúdo
- Introdução
- Estatística
- Machine Learning
- Pré processamento de dados
- Avaliação de algoritmos
- Base de Treinamento e Base de Teste
- Acurácia
- Matriz de confusão
- Verdadeiro positivo e falso positivo
- Precision e recall
- Validação cruzada
- Etapas na avaliação de algoritmos de classificação
- Ajuste de parâmetros
- Coeficiente de variação
- Análise dos resultados
- Teste de hipótese
- Teste de hipótese Z
- Teste de normalidade
- Análise de variância (ANOVA)
- Teste de Tukey
- Combinação de classificador
- Rejeição de classificadores
- Algoritmos
- Algoritmo de Naive Bayes
- Árvore de decisão
- Floresta Randômica
- Aprendizagem por regras
- Indução de regras
- Majority Learner
- k-Nearest Neighbors
- Regressão logística
- Support Vector Machine
- Rede neural
- Rede neural de uma camada
- Redes neurais multicamadas
- Introdução
- Função de ativação
- Função de ativação nas camadas ocultas
- Função de ativação na camada de saída
- Cálculo do erro
- Ajuste de pesos e erros
- Gradiente descendente na otimização de redes multicamada
- Gradiente descendente estocástico e em lote
- Cálculo do delta na camada de saída
- Cálculo do delta na camada oculta
- Backpropagation, Taxa de Aprendizagem e Momento
- Bias e erros
- Redes multicamada com múltiplos neurônios na camada de saída
- Desenvolvimento inicial de uma rede multicamadas
- Camada de saída para classificação multiclasse
- Descida de gradiente estocástico e em lote
- Deep Learning
- Regressão Linear
- Regressão Polinomial
- Regressão com árvore de decisão
- Regressão com random forest
- Regressão com vetores de suporte
- Regras de associação
- Introdução a regras de associação
- Algoritmo Apriori
- Algoritmo ECLAT
- Agrupamento
- Aprendizagem por reforço
- Data Science
- Tipos de gráficos