|
| 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 |
|
|
