|
Entregável do Bloco: |
Aplicações de modelagem de fenômenos por meio de aprendizagem de máquina para agrupamentos de observações similares, como segmentos de clientes e grupos de risco similar |
|
Projeto de Bloco: Aprendizagem de Máquina Não Supervisionada |
Analisar casos de aplicação de aprendizagem de máquina não supervisionado |
Entender o modelo CRISP-DM de desenvolvimento de projeto |
Utilizar PCA em uma base de dados multi-dimensional |
Utilizar o algoritmo de K-Médias em uma base de dados multi-dimensional |
|
|
Algoritmos para Clusterização de Dados I |
1 – Explicar a motivação de usar algoritmos não-supervisionadas |
2 – Explicar diferentes tipos de algoritmos de clusterização |
3 – Escolher a técnica mais adequada de clusterização para diferentes problemas |
4 – Aplicar os algoritmos de K-Means e HCluster em dados reais |
5 – Aplicar o algoritmo de DBScan em dados reais. |
|
Álgebra Linear |
1 – Utilizar o módulo numpy de Python para manipulação de matrizes e vetores |
2 – Calcular o inverso de uma matriz e sua determinante |
3 – Interpretar a independência linear entre matrizes |
4 – Entender o conceito de espaços vetoriais e suas dimensões |
5 – Calcular autovalores e autovetores |
|
Algoritmos para Clusterização de Dados II |
1 – Compreender as medidas de distâncias: Euclideana, Cosseno e Manhantan |
2 – Aplicar a medida de silhueta para problemas complexos usando a implementação de Scikit-Learn |
3 – Realizar a análise de componentes principais em um conjunto de dados |
4 – Reduzir a dimensionalidade de um problema para solução com algoritmos de clusterização |
|
Implementação de Modelos de Aprendizado de Máquina |
1 – Construir uma solução que aplica um modelo elaborado em uma base de dados. |
2 – Desenvolver um sistema de coleta de dados usando API públicas |
3 – Preparar um modelo previamente treinado para uma solução de streaming de dados |
4 – Estabelecer um método de atualização de um modelo empregado em produção |
|
|