Bem-vindo ao Curso — Machine Learning
O curso começa onde treinar modelos termina: avaliar, otimizar, combinar e interpretar — em Python e R, lado a lado.
Curso
Machine Learning
Machine learning aplicado em Python e R: avaliação e benchmarking, classificação, custo e anomalias, engenharia e seleção de características, representação de texto, áudio e sinais, otimização de hiperparâmetros, ensembles, interpretabilidade e deep learning.
22 aulas
Fundamentos de Python para ML
Revisão cirúrgica do Python que aparece em modelagem avançada: vetorização com NumPy, Pandas e o padrão fit/transform/predict do scikit-learn.
Introdução ao R — Fundamentos da Linguagem
R visto de fora: o vetor como cidadão de primeira classe, a indexação a partir de 1, o índice negativo que remove, e o NA que se propaga.
Fundamentos de R para ML
O fluxo de dados em R com dplyr e tidyr, e o tidymodels separando recipe, model spec e workflow para modelar sem vazamento.
Avaliação e Benchmarking
Estimar o erro de generalização sem se enganar: hold-out, k-fold, bootstrap, validação temporal e a comparação com teste estatístico.
Classificação
Precisão, recall, F1 e PR-AUC onde a acurácia engana; class_weight antes de SMOTE, limiar por custo e calibração com Platt ou isotônica.
Aprendizagem Sensível ao Custo
O desbalanceamento é de custo, não de contagem: o limiar que minimiza o prejuízo, por que ele vem antes de reamostrar, e o custo calculado por caso.
Detecção de Anomalias e Classificação de Uma Classe
Sem exemplos da classe rara, o problema vira descrever o normal: Isolation Forest, One-Class SVM e LOF, e como avaliar sem rótulo.
Feature e Target Engineering
Escalonamento, codificação de categorias, datas decompostas e lags que só olham o passado — com o vazamento como o erro mais caro de todos.
Variáveis Funcionais
Curva não é vetor de colunas: base de funções, descritores derivados, FPCA e alinhamento, separando amplitude de fase sem destruir a forma.
Representação e Seleção de Características
Seleção mantém as features e a interpretação; redução cria features novas e mais compactas. Filtros, wrappers, embedded, PCA — e por que validar em CV aninhada.
Representação de Texto
Cada passo de normalização é uma perda deliberada. BoW, TF-IDF, n-grams e embeddings — com TF-IDF e modelo linear difícil de bater quando há pouco dado.