Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Curso 3 de 4 no
Especialização da análise de dados contábeis
Nível intermediário
Aproximadamente. 64 horas para concluir
Inglês
Legendas: francês, português (europeu), russo, inglês, espanhol

Linden Lu
Instrutor
Departamento de AccountAncysyllabus – O que você aprenderá com este curso
Introdução ao curso
Neste módulo, você se familiarizará com o curso, seu instrutor e seus colegas de classe e nosso ambiente de aprendizado. Essa orientação também ajudará você a obter as habilidades técnicas necessárias para navegar e ter sucesso neste curso.
Módulo 1: Introdução ao aprendizado de máquina
Este módulo fornece a base para o restante do curso, introduzindo os conceitos básicos por trás do aprendizado de máquina e, especificamente, como executar o aprendizado de máquina usando o Python e o módulo de aprendizado de máquina Scikit-Learn. Primeiro, você aprenderá sobre os tipos básicos de aprendizado de máquina. Em seguida, você aprenderá uma etapa importante antes de aplicar algoritmos de aprendizado de máquina, pré-processamento de dados. Por fim, você aprenderá como aproveitar diferentes tipos de algoritmos de aprendizado de máquina em um script python.
Módulo 2: Algoritmos Fundamentais I
Este módulo apresenta três algoritmos de aprendizado de máquina. Primeiro, você aprenderá como a regressão linear pode ser considerada um problema de aprendizado de máquina com parâmetros que devem ser determinados computacionalmente, minimizando uma função de custo. Em seguida, você aprenderá a regressão logística. Apesar do nome, a regressão logística é um algoritmo de classificação. Por fim, você aprenderá a árvore de decisão, que é um algoritmo popular de aprendizado de máquina que pode ser usado para classificação e regressão. Este módulo se aprofundará no conceito de classificação de máquinas, onde os algoritmos aprendem com dados existentes e rotulados para classificar dados novos e invisíveis em categorias específicas; E, o conceito de regressão da máquina, onde os algoritmos aprendem um modelo com dados para fazer previsões para dados contínuos novos e invisíveis. Embora esses algoritmos diferem em seus fundamentos matemáticos, eles são frequentemente usados ​​para classificar dados numéricos, textos e de imagem ou executar a regressão em vários domínios.
Módulo 3: Algoritmos Fundamentais II
Este módulo apresenta mais três algoritmos de aprendizado de máquina, vizinhos mais parecidos com K, suporte vetorial de suporte e floresta aleatória. Todos eles podem ser usados ​​para tarefas de classificação ou regressão.
Módulo 4: Avaliação do Modelo
A avaliação do modelo é um componente integrante de qualquer projeto de análise de dados. Ajuda a descobrir como o modelo funcionará na previsão de dados futuros (fora da amostra). Este módulo apresenta métricas básicas de avaliação de modelo para algoritmos de aprendizado de máquina. Primeiro, as métricas de avaliação para regressão são apresentadas. Em seguida, são introduzidas métricas e técnicas para avaliar a classificação.
Módulo 5: Otimização do modelo
Este módulo apresenta as técnicas de otimização do modelo. Primeiro, as técnicas básicas de seleção de recursos são apresentadas. Em seguida, é introduzida a técnica de validação cruzada, que pode fornecer uma avaliação mais precisa nos modelos. Finalmente, é introduzida a seleção de modelos, ou o ajuste do hiperparâmetro, que usa validação cruzada.
Módulo 6: Introdução à análise de texto
Neste módulo, você começará a aplicar suas novas habilidades de aprendizado de máquina a um emocionante tópico analítico de dados: análise de texto. Primeiro, revisaremos o processo pelo qual os dados textuais são convertidos em dados numéricos que podem ser processados ​​por um computador. Junto com isso, estão vários novos conceitos que se concentram em manipular esses dados para gerar previsões aprimoradas de aprendizado de máquina. Segundo, aplicaremos algoritmos de aprendizado de máquina, classificação especificamente, aos dados de texto. Por fim, exploraremos os conceitos mais avançados na análise de texto e introduziremos um tipo especial de classificação de texto: análise de sentimentos.
Módulo 7: Introdutoin ao clustering
Este módulo introduz agrupamentos, onde os pontos de dados são atribuídos a sub -grupos de pontos com base em algumas propriedades específicas, como distância espacial ou densidade local de pontos. Enquanto os humanos geralmente encontram clusters visualmente com facilidade em um determinado conjunto de dados, computacionalmente o problema é mais desafiador. Este módulo começa explorando as idéias básicas por trás dessa técnica de aprendizado sem supervisão. Uma das técnicas de agrupamento mais populares, K-Means, é introduzida. Em seguida, é fornecido um estudo de caso K-Means. Finalmente, a técnica de DB-scan baseada em densidade é introduzida.
Módulo 8: Introdução aos dados de séries temporais
Este módulo apresenta dados de tempo e data, que oferecem oportunidades e desafios de aprendizado exclusivos. Primeiro, discutiremos como lidar adequadamente com os recursos de tempo e data em um programa Python. Em seguida, estenderemos essa discussão para lidar com dados indexados por informações de tempo e data, conhecidas como dados de séries temporais.