Faculdade de Ciência de Dados e Inteligência Artificial

Aprendizagem de Máquina
Não-Supervisionada

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

1 – Discutir as questões éticas e as limitações relacionadas à utilização da aprendizagem de máquina não supervisionada;

2 – Elaborar um projeto de análise de dados baseado em aprendizagem de máquina não supervisionada;

3 – Realizar a modelagem de fenômenos por meio de aprendizagem de máquina não supervisionada;

4 – Escrever um relatório de projeto utilizando aprendizagem de máquina não supervisionada.

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.

Visualização de Dados para Análise e Modelagem

1 – Compreender as medidas de distâncias: Euclideana, Cosseno e Manhantan;

2 – Compreender a distância baseada na Correlação de Pearson;

3 – Aplicar distâncias inter-clusters e intra-clusters;

4 – Aplicar a medida de silhueta para problemas complexos usando a implementação de Scikit-Learn;

5 – Entender as limitações da medida de silhueta;

6 – Utilizar o algoritmo de vizinhos mais próximos (KNN) em Python para avaliação de clusters.

Algoritmos para Clusterização de Dados II

1 – Produzir um relatório utilizando R Markdown;

2 – Criar uma apresentação utilizando R Markdown;

3 – Publicar um relatório gerado em R Markdown em ambiente online;

4 – Criar gráficos de segmentação;

5 – Segmentar uma base de clientes de uma loja online;

6 – Segmentar uma base de dados georreferenciada.

Separação Cega de Fontes

1 – Explicar o Teorema Central do Limite;

2 – Realizar a análise de componentes esparsos;

3 – Separar bases sonoras, como o experimento da orquestra;

4 – Separar imagens baseados em misturas;

5 – Agrupar textos por conteúdo semântico.

blocos do curso

Fundamentos da Computação

Estatística e Modelagem Matemática

Aprendizagem de Máquina
Supervisionada

Mineração de Texto e Processamento de Linguagem Natural

Arquitetura de Computadores, Sistemas Operacionais e Redes

Curadoria de Dados

Business Intelligence