Descrição do Curso

  • Por que aprender aprendizado de máquina?

    • O aprendizado de máquina está dominando o mundo e, com isso, há uma necessidade crescente entre as empresas de que os profissionais conheçam os detalhes da aprendizagem de máquina
    • O tamanho do mercado de aprendizado de máquina deve crescer de US $ 1,03 bilhão em 2016 para US $ 8,81 bilhões até 2022, a uma Taxa de Crescimento Anual Composta (CAGR) de 44,1% durante o período de previsão
    Why learn Machine Learning

  • Quais são os objetivos do curso?

    Uma forma de inteligência artificial, o aprendizado de máquina está revolucionando o mundo da computação, bem como as interações digitais de todas as pessoas. Ao possibilitar o processamento e a análise rápida, barata e automática de grandes volumes de dados complexos, o aprendizado de máquina é fundamental para inúmeras aplicações novas e futuras. O aprendizado de máquina capacita tecnologias automatizadas inovadoras, como motores de recomendação, reconhecimento facial, proteção contra fraudes e até carros autônomos.

    Este curso on-line de Aprendizado de Máquina prepara engenheiros, cientistas de dados e outros profissionais com conhecimento e habilidades práticas exigidos para certificação e competência de trabalho em aprendizado de máquina. A demanda por habilidades de aprendizado de máquina está crescendo rapidamente. O salário médio de um engenheiro de aprendizado de máquina é de $ 134.293 (USD), de acordo com payscale.com.

  • Quais habilidades você aprenderá com nosso Curso de Aprendizado de Máquina?

    No final deste curso de aprendizado de máquina, você poderá realizar o seguinte:

    • Domine os conceitos de conceitos e modelagem supervisionados, não supervisionados e de aprendizado por reforço.
    • Obtenha domínio prático sobre princípios, algoritmos e aplicativos de aprendizado de máquina por meio de uma abordagem prática que inclui o trabalho em 28 projetos e um projeto final.
    • Adquirir conhecimento profundo dos aspectos matemáticos e heurísticos do aprendizado de máquina.
    • Compreender os conceitos e a operação de máquinas de vetores de suporte, SVM de kernel, bayes ingênuos, classificador de árvore de decisão, classificador de floresta aleatório, regressão logística, vizinhos K mais próximos, clusterização K-means e muito mais.
    • Compreender os conceitos teóricos e como eles se relacionam com os aspectos práticos da aprendizagem de máquina.
    • Ser capaz de modelar uma ampla variedade de algoritmos robustos de aprendizado de máquina, incluindo aprendizagem profunda, clustering e sistemas de recomendação

  • Quem deve fazer este curso de treinamento em aprendizado de máquina?

    Há uma demanda crescente por engenheiros de significado de máquinas especializadas em todos os setores, tornando este curso de certificação de Aprendizado de Máquina bem adequado para os participantes no nível intermediário de experiência. Recomendamos este curso de treinamento Machine Learning para os seguintes profissionais em particular:

    • Desenvolvedores que desejam ser cientistas de dados ou engenheiros de aprendizado de máquina
    • Gestores analíticos que lideram uma equipa de analistas
    • Analistas de negócios que querem entender técnicas de ciência de dados
    • Arquitetos da informação que desejam obter experiência em algoritmos de aprendizado de máquina
    • Profissionais de análise que desejam trabalhar em aprendizado de máquina ou inteligência artificial
    • Graduados que buscam construir uma carreira em ciência de dados e aprendizado de máquina
    • Profissionais experientes que gostariam de aproveitar o aprendizado de máquina em seus campos para obter mais insights

  • Quais projetos estão incluídos neste Curso de Treinamento Online de Aprendizado de Máquina?

    O curso de Treinamento de Aprendizado de Máquina do Simplilearn é muito prático e orientado por código. A motivação teórica e a formulação do problema matemático devem ser fornecidas apenas quando da introdução de conceitos.

    Este curso consiste em um projeto principal e 25 exercícios auxiliares baseados em 17 algoritmos de aprendizado de máquina.

    Detalhes do Projeto Capstone:
    Nome do projeto:
    Prevendo os preços das casas na Califórnia
    Descrição: O projeto envolve a construção de um modelo que prevê valores de casas medianas nos distritos da Califórnia. Você receberá métricas como população, renda média, preço médio da habitação e assim por diante para cada grupo de bloco na Califórnia. Os grupos de blocos são a menor unidade geográfica para que o US Census Bureau publica dados de amostra (um grupo de bloqueio normalmente tem uma população de 600 a 3.000 pessoas). O modelo que você cria deve aprender com esses dados e ser capaz de prever o preço médio da habitação em qualquer distrito.

    Conceito coberto: Técnicas de aprendizado de máquina
    Estudo de Caso 1: Prever se os consumidores comprarão casas ou não, a partir do conjunto de dados fornecido
    fornecido com sua idade e salário
    Projeto 1: Quais problemas você vê na plotagem produzida pelo código em referência à declaração de problema acima?
    Projeto 2: Quais são os preços aproximados das casas com áreas 1700 e 1900?
    Conceito coberto: pré-processamento de dados
    Estudo de caso 2: Demonstrar métodos para manipular dados ausentes, dados categóricos e padronização de dados usando as informações fornecidas no conjunto de dados
    Projeto 3: Revise o conjunto de dados de treinamento (arquivo do Excel). Observe que o peso está faltando para a quinta e oitava linhas. Quais são os valores calculados pelo para essas duas linhas ausentes?
    Projeto 4: no código do tutorial, localize a chamada para a classe Imputer. Substitua o parâmetro de estratégia de “mean” para “median” e execute-o novamente. Qual é o novo valor atribuído aos campos em branco Peso e Altura para as duas linhas?
    Projeto 5: No trecho de código fornecido abaixo no tutorial, por que o array X tem 5 colunas em vez de 3 colunas como antes?

    Estudo de Caso 3: Demonstrar como reduzir as dimensões de dados de 3D para 2D usando as informações fornecidas
    Projeto 6: O que a sombra de hiperplano representa no gráfico de saída do PCA em dados aleatórios?
    Projeto 7: Qual é o erro de reconstrução após a transformação do PCA? Dê interpretação.

    Conceito Coberto: Regressão
    Estudo de Caso 4: Demonstrar como reduzir as dimensões de dados de 3D para 2D usando as informações fornecidas
    Projeto 8: Modifique o grau do polinômio de Características polinomiais (grau = 1) para 1, 2, 3 e interprete a plotagem de regressão resultante. Especifique se está embaixo, encaixado à direita ou super adaptado?
    Projeto 9: Prever as reivindicações de seguro para a idade 70 com regressão polinomial n com grau 2 e regressão linear.
    Projeto 10: No trecho de código fornecido abaixo no tutorial, por que o array X tem 5 colunas em vez de 3 colunas como antes?

    Estudo de caso 5: Prever prêmio de seguro por ano com base na idade de uma pessoa usando árvores de decisão usando as informações fornecidas no conjunto de dados
    Projeto 11: Modifique o código para prever os valores de reivindicação de seguro para qualquer pessoa acima de 55 anos no dado conjunto de dados.

    Estudo de Caso 6: Gerar dados quadráticos aleatórios e demonstrar a regressão da Árvore de Decisão
    Projeto 12: Modifique o max_depth de 2 para 3 ou 4 e observe a saída.
    Projeto 13: Modifique o max_depth para 20 e observe a saída
    Projeto 14: Qual é a previsão de classe para petal_length = 3 cm e petal_width = 1 cm para o max_depth = 2?
    Projeto 15: Explicar os gráficos de regressão da Árvore de Decisão produzidos quando max_depths são 2 e 3. Quantos nós de folhas existem nos dois casos? O que o valor médio representa nessas duas situações? Use as informações fornecidas
    Projeto 16: Modifique o parâmetro de regularização min_sample_leaf de 10 para 6 e verifique a saída da regressão da Árvore de Decisão. Qual é o resultado e por quê?

    Estudo de caso 7: Prever seguro por ano com base na idade de uma pessoa usando Florestas Aleatórias.
    Projeto 17 : Qual é o valor do seguro de saída para indivíduos com 60 anos e com n_estimadores = 10?

    Estudo de caso 8: Demonstrar várias técnicas de regressão em um conjunto de dados aleatório usando as informações fornecidas no conjunto de dados
    Projeto 18: O programa descreve um processo de aprendizado quando os valores da taxa de aprendizado η são 0,02, 0,1 e 0,5. Dê sua interpretação desses gráficos?
    Projeto 19 : O programa descreve o processo de aprendizado quando os valores da taxa de aprendizado η são de 0,02, 0,1 e 0,5. Tente alterar os valores para 0,001, 0,25 e 0,9 e verifique os resultados? Forneça interpretação.
    Conceito Coberto: Classificação
    Estudo de caso 9: Preveja se os consumidores comprarão casas, de acordo com sua idade e salário. Use as informações fornecidas no conjunto de dados
    Projeto 20: Normalmente, o valor de nearest_neighbors para a classe de teste no KNN é 5. Modifique o código para alterar o valor de near_neighbours para 2 e 20 e anote as observações.
    Estudo de Caso 10 : Classifique o conjunto de dados IRIS usando o SVM e demonstre como as SVMs de Kernel podem ajudar a classificar os dados não lineares.
    Projeto 21: Modifique o truque do kernel de RBF para linear para ver o tipo de classificador produzido para os dados XOR neste programa. Interpretar os dados.
    Projeto 22: Para o dataset Iris, adicione um novo código no final deste programa para produzir classificação para o truque do kernel RBF com gama = 1.0. Explique a saída.
    Estudo de caso 11: Classifique o conjunto de dados de flor IRIS usando árvores de decisão. Use as informações fornecidas
    Projeto 23: Execute a árvore de decisão no conjunto de dados IRIS com profundidades máximas de 3 e 4 e mostre a saída da árvore.
    Projeto 24: Prever e imprimir a probabilidade de classe para a ocorrência de flor de íris com pétala_de 1 cm e largura de pétala de 0,5 cm.

    Estudo de caso 12: Classifique o conjunto de dados de flor do IRIS usando vários algoritmos de classificação. Use as informações fornecidas
    Projeto 25: Adicionar classificação de regressão logística ao programa e comparar a saída de classificação aos algoritmos anteriores?

    Conceito Coberto: Aprendizado Não Supervisionado com Cluster
    Estudo de caso 13 : Demonstrar o algoritmo Clustering e o método Elbow em um conjunto de dados aleatório.
    Projeto 26: Modifique o número de clusters k para 2 e anote as observações.
    Projeto 27: Modifique as n_samples de 150 para 15000 e o número de centros para 4 com n_clusters como 3. Verifique a saída e anote suas observações.
    Projeto 28: Modifique o código para alterar as n_samples de 150 para 15000 e o número de centros para 4, mantendo n_clusters em 4. Verifique a saída.
    Projeto 29: Modifique o número de clusters k para 6 e anote as observações.

Prévia do curso

    • Lição 1: Introdução à Inteligência Artificial e Machine Learning 32:24
      • 1.01- Introdução à IA e Aprendizagem Automática 32:24
    • Lição 2: Técnicas de Aprendizado de Máquina 24:01
      • 2.01- Técnicas de Aprendizado de Máquina 24:01
    • Lição 3: pré-processamento de dados 1:15:56
      • 3.01 - Pré-processamento de dados 1:15:56
    • Lição 4: Reciclagem de Matemática 30:40
      • 4.01- Atualizador de Matemática 30:40
    • Lição 5: Regressão 55:25
      • 5.01- Regressão 55:25
    • Lição 6: Classificação 1:03:41
      • 6.01 Classificação 1:03:41
    • Lição 7: Aprendizado não supervisionado - Clustering 13:05
      • 7.01- Aprendizado Não Supervisionado com Cluster 13:05
    • Lição 8: Introdução ao Aprendizado Profundo 10:03
      • 8.01- Introdução ao Aprendizado Profundo 10:03
    • Seção 1 - Introdução ao Python 20:58
      • 1.1 Introdução ao Python 09:53
      • 1.2 Impressão e Cordas 08:11
      • 1.3 Math 02:54
    • Seção 2 - Variáveis, Loops e Declarações 38:17
      • 2.1 Variáveis, Loops e Declarações 04:58
      • 2.2 While Loops 06:13
      • 2.3 For Loops 05:13
      • 2.4 Se as declarações 06:59
      • 2.5 Se mais declarações 04:12
      • 2.6 Se Elif Else Statements 10:42
    • Seção 3 - Funções e Variáveis 29:57
      • 3.1 Funções e Variáveis 05:21
      • 3.2 Parâmetros da Função 15:00
      • 3.3 Variáveis ​​globais e locais 09:36
    • Seção 4 - Compreendendo a detecção de erros 12:29
      • 4.1 Compreendendo a detecção de erros 12:29
    • Seção 5 - Trabalhando com arquivos e classes 16:40
      • 5.1 Trabalhando com arquivos e classes 04:45
      • 5.2 Anexando a um arquivo 03:29
      • 5.3 Leitura de um arquivo 03:47
      • 5.4 Classes 04:39
    • Seção 6 - Python Intermediário 54:19
      • 6.1 Python Intermediário 07:55
      • 6.2 Sintaxe de Importação 06:53
      • 6.3 Fazendo Módulos 06:39
      • 6.4 Manipulação de Erros - Experimente e Aceite 13:10
      • 6.5 Listas vs Tuplas E Manipulação De Lista 11:03
      • 6.6 Dicionários 08:39
    • Seção 7 - Conclusão 27:22
      • 7.1 Conclusão 27:22
    • Módulo 01 - Introdução ao Curso 05:08
      • 1.1 Introdução ao Curso 04:10
      • 1.2 Visão Geral do Projeto Final 00:58
    • Módulo 02 - Introdução ao Django 59:11
      • 2.1 Introdução 00:35
      • 2.2 Instalação e Configuração do Django 11:19
      • 2.3 MVC aplicado ao Django Plus Git 08:19
      • 2.4 visualizações básicas, modelos e URLs 15:37
      • 2.5 Modelos, Bancos de Dados, Migrações e o Django Admin 19:07
      • 2.6 Recapitulação da Seção 01:37
      • 2,7 Quiz 02:37
    • Módulo 03 - Criando um sistema de autenticação de usuário 56:49
      • 3.1 O que você aprenderá nesta seção 01:04
      • 3.2 Configurando um sistema de autenticação de usuário simples 22:26
      • 3.3 Variáveis ​​de Login e Sessão 18:40
      • 3.4 Registro Social 13:29
      • 3.5 Revisão 00:32
      • 3,6 Quiz 00:38
    • Módulo 04 - Frontend 55:42
      • 4.1 O que você aprenderá nesta seção 00:29
      • 4.2 Linguagem de Modelo e Arquivos Estáticos 16:49
      • 4.3 Integração Twitter Bootstrap 20:17
      • 4.4 Compressão de arquivos estáticos e refatoração de modelos 17:05
      • 4.5 Revisão 00:36
      • 4,6 Quiz 00:26
    • Módulo 05 - Comércio Eletrônico 1:09:33
      • 5.1 O que você aprenderá nesta seção 00:24
      • 5.2 Preparando a vitrine 26:35
      • 5.3 Adicionando um carrinho de compras 20:12
      • 5.4 Integração com Paypal 21:11
      • 5.5 Integração de faixas com o Ajax 00:01
      • 5.6 Revisão 00:41
      • 5,7 quiz 00:29
    • Módulo 06 - Upload de Arquivos, Ajax e E-mail 39:28
      • 6.1 O que você aprenderá nesta seção 00:37
      • 6.2 Upload de Arquivo 14:04
      • 6.3 Formulários 13:19
      • 6.4 Email Avançado 10:25
      • 6.5 Revisão 00:38
      • 6,6 Quiz 00:25
    • Módulo 07 - Geolocalização e Integração de Mapas 18:36
      • 7.1 O que você aprenderá nesta seção 00:37
      • 7.2 Adicionando uma Representação de Mapa com Geolocalização 08:35
      • 7.3 Uso Avançado do Mapa 08:24
      • 7.4 Revisão 00:31
      • 7.5 Quiz 00:29
    • Módulo 08 - Serviços e Sinais do Django Power-Ups 20:11
      • 8.1 O que você aprenderá nesta seção 00:52
      • 8.2 Criando um serviço da Web com Tastypie 11:04
      • 8.3 Sinais 08:15
    • Módulo 09 - Testando seu site 36:20
      • 9.1 O que você aprenderá nesta seção 00:21
      • 9.2 Adicionando a barra de ferramentas de depuração do Django 04:36
      • 9.3 Teste de Unidade 18:05
      • 9,4 Logging 12:14
      • 9.5 Revisão 00:40
      • 9,6 Quiz 00:24
    • Módulo 10 - Conclusão do Curso 04:55
      • 10.1 Conclusão 04:55
    • Desenvolvimento de Jogos em Python - Criar um Clone de Pássaro Flappy 2:57:17
      • 1.1 Introdução ao Curso e ao Jogo 03:08
      • 1.2 Introdução ao PyGame e Codificação Inicial 09:04
      • 1.3 Relógio do Tempo e Game Over 10:24
      • 1.4 Instalação de Gráficos 02:59
      • 1.5 Fundo e Adicionando Gráficos à Tela 06:06
      • 1.6 Trabalhando com coordenadas 06:02
      • 1.7 Criando Controles de Entrada 11:17
      • 1.8 Limites, eventos de falha e criação de menus 09:47
      • 1,9 parte 2 09:37
      • 1.10 Parte 3 06:56
      • 1,11 parte 4 07:58
      • 1.12 Criando Obstáculos Usando Polígonos 07:38
      • 1.13 Completando nossos obstáculos 09:08
      • 1.14 Lógica de Jogos Usando a Lógica de Blocos 12:43
      • 1.15 Sucesso ou falha na lógica de jogo 12:19
      • 1.16 Batendo Obstáculos Parte 2 05:11
      • 1.17 Criando a tela de pontuação 12:00
      • 1.18 Adicionando Cores e Níveis de Dificuldade 12:27
      • 1.19 Adicionando Cores Parte 2 12:53
      • 1.20 Adicionando Níveis de Dificuldade 09:40
    • Lição 00 - Visão Geral do Curso 04:34
      • 0.1 Visão geral do curso 04:34
    • Lição 01 - Visão geral da ciência de dados 20:27
      • 1.1 Introdução à Ciência de Dados 08:42
      • 1.2 Setores Diferentes Usando Data Science 05:59
      • 1.3 Propósito e Componentes do Python 05:02
      • 1.4 Quiz
      • 1.5 Principais Reminiscências 00:44
    • Lição 02 - Visão geral da análise de dados 18:20
      • 2.1 Processo de Análise de Dados 07:21
      • 2.2 Teste de Conhecimento
      • 2.3 Análise Exploratória de Dados (EDA)
      • 2.4 Técnico EDA Quantitativo
      • 2.5 EDA - Técnica Gráfica 00:57
      • 2.6 Conclusão ou Previsões da Análise de Dados 04:30
      • 2.7 Comunicação de Análise de Dados 02:06
      • 2.8 Tipos de Dados para Plotagem
      • 2.9 Tipos de Dados e Plotagem 02:29
      • 2.10 Verificação de Conhecimento
      • 2.11 Questionário
      • 2.12 Principais Remoções 00:57
    • Lição 03 - Análise Estatística e Aplicações de Negócios 23:53
      • 3.1 Introdução às Estatísticas 01:31
      • 3.2 Análise Estatística e Não Estatística
      • 3.3 Principais Categorias de Estatísticas 01:34
      • 3.4 Considerações sobre análise estatística
      • 3.5 População e Amostra 02:15
      • 3.6 Processo de Análise Estatística
      • 3.7 Distribuição de Dados 01:48
      • 3.8 Dispersão
      • 3.9 Teste de Conhecimento
      • 3,10 Histograma 03:59
      • 3.11 Verificação de Conhecimento
      • 3.12 Teste 08:18
      • 3.13 Verificação de Conhecimento
      • 3.14 Estatísticas de Correlação e Inferencial 02:57
      • 3,15 Questionário
      • 3.16 Principais Remoções 01:31
    • Lição 04 - Configuração e Essenciais do Ambiente Python 23:58
      • 4.1 Anaconda 02:54
      • 4.2 Instalação do Anaconda Python Distribution (continuação)
      • 4.3 Tipos de Dados com Python 13:28
      • 4.4 Operadores e Funções Básicas 06:26
      • 4.5 Quiz
      • 4.6 Principais Sugestões 01:10
    • Lição 05 - Computação Matemática com Python (NumPy) 30:31
      • 5.1 Introdução ao Numpy 05:30
      • 5.2 Atividade-Sequence it Right
      • 5.3 Demo 01-Criando e imprimindo um ndarray 04:50
      • 5.4 Teste de Conhecimento
      • 5.5 Classe e Atributos do Ndarray
      • 5.6 Operações Básicas 07:04
      • 5.7 Atividade-Slice It
      • 5.8 Copiar e visualizar
      • 5.9 Funções Matemáticas de Numpy 05:01
      • 5.10 Tarefa 01
      • 5.11 Assignment 01 Demo 03:55
      • 5.12 Tarefa 02
      • 5.13 Tarefa 02 Demo 03:16
      • 5,14 Questionário
      • 5.15 principais descobertas 00:55
    • Lição 06 - Computação Científica com Python (Scipy) 23:35
      • 6.1 Introdução ao SciPy 06:57
      • 6.2 Subpacote SciPy - Integração e Otimização 05:51
      • 6.3 Teste de Conhecimento
      • 6.4 Sub pacote SciPy
      • 6.5 Demo - Calcular autovalores e autovetores 01:36
      • 6.6 Verificação de Conhecimento
      • 6.7 Sub Pacote SciPy - Estatísticas, Weave e IO 05:46
      • 6.8 Atribuição 01
      • 6.9 Assignment 01 Demo 01:20
      • 6.10 Tarefa 02
      • 6.11 Tarefa 02 Demo 00:55
      • 6,12 Quiz
      • 6.13 Principais Remoções 01:10
    • Lição 07 - Manipulação de Dados com Pandas 47:34
      • 7.1 Introdução aos Pandas 12:29
      • 7.2 Teste de Conhecimento
      • 7.3 Compreendendo o DataFrame 05:31
      • 7.4 Visualizar e Selecionar Demonstração de Dados 05:34
      • 7.5 Valores Ausentes 03:16
      • 7.6 Operações de Dados 09:56
      • 7.7 Verificação de Conhecimento
      • 7.8 Suporte para leitura e gravação de arquivos 00:31
      • 7.9 Verificação de Conhecimento - Sequence it Right
      • 7.10 Operação Pandas Sql 02:00
      • 7.11 Tarefa 01
      • 7.12 Assignment 01 Demo 04:09
      • 7.13 Tarefa 02
      • 7.14 Tarefa 02 Demo 02:34
      • 7,15 Quiz
      • 7.16 Principais Remoções 01:34
    • Lição 08 - Aprendizado de Máquina com o Scikit – Learn 1:02:10
      • 8.1 Aprendizado de Aprendizado de Máquina 03:57
      • 8.2 Passos 1 e 2 01:00
      • 8.3 Passos 3 e 4
      • 8.4 Como Funciona 01:24
      • 8.5 Passos 5 e 6 01:54
      • 8.6 Considerações sobre o modelo de aprendizado supervisionado 00:30
      • 8.7 Verificação de conhecimento
      • 8,8 Scikit-Learn 02:10
      • 8.9 Verificação de Conhecimento
      • 8.10 Modelos de Aprendizagem Supervisionados - Regressão Linear 11:19
      • 8.11 Modelos de Aprendizagem Supervisionados - Regressão Logística 08:43
      • 8.12 Modelos de Aprendizagem Não Supervisionados 10:40
      • 8,13 Pipeline 02:37
      • 8.14 Persistência e Avaliação de Modelos 05:45
      • 8.15 Verificação de Conhecimento
      • 8.16 Tarefa 01
      • 8.17 Tarefa 01 05:45
      • 8.18 Tarefa 02
      • 8.19 Tarefa 02 05:14
      • 8,20 Quiz
      • 8.21 Principais Remoções 01:12
    • Lição 09 - Processamento de Linguagem Natural com o Scikit Learn 49:03
      • 9.1 Visão Geral da PNL 10:42
      • 9.2 Aplicativos de PNL
      • 9.3 Verificação de conhecimento
      • 9.4 Bibliotecas de PNL-Scikit 12:29
      • 9.5 Considerações sobre extração
      • 9.6 Scikit Learn-Model Treinamento e pesquisa de grade 10:17
      • 9.7 Tarefa 01
      • 9.8 Atribuir Demo 01 06:32
      • 9.9 Tarefa 02
      • 9.10 Atribuição Demo 02 08:00
      • 9,11 Quiz
      • 9.12 Principal Takeaway 01:03
    • Lição 10 - Visualização de dados em Python usando o matplotlib 32:46
      • 10.1 Introdução à visualização de dados 08:02
      • 10.2 Teste de Conhecimento
      • 10.3 Propriedades da Linha
      • 10.4 (x, y) Gráfico e subenredos 10:01
      • 10.5 Teste de Conhecimento
      • 10.6 Tipos de parcelas 09:34
      • 10.7 Tarefa 01
      • 10.8 Assignment 01 Demo 02:23
      • 10.9 Tarefa 02
      • 10.10 Tarefa 02 Demo 01:47
      • 10.11 Questionário
      • 10.12 Principais Remoções 00:59
    • Lição 11 - Web Scraping com BeautifulSoup 52:27
      • 11.1 Captura e análise da Web 12:50
      • 11.2 Verificação de conhecimento
      • 11.3 Entendendo e Pesquisando a Árvore 12:56
      • 11.4 Opções de navegação
      • 11.5 Demo3 Navegando em uma árvore 04:22
      • 11.6 Teste de Conhecimento
      • 11.7 Modificando a árvore 05:38
      • 11.8 Análise e impressão do documento 09:05
      • 11.9 Tarefa 01
      • 11.10 Tarefa 01 Demo 01:55
      • 11.11 Tarefa 02
      • 11.12 Assignment 02 demo 04:57
      • 11,13 Questionário
      • 11.14 Principais tópicos 00:44
    • Lição 12 - Integração do Python com o Hadoop MapReduce and Spark 40:39
      • 12.1 Por que soluções de Big Data são fornecidas para o Python 04:55
      • 12.2 Componentes Principais do Hadoop
      • 12.3 Integração do Python com o HDFS usando o Hadoop Streaming 07:20
      • 12.4 Demo 01 - Usando o Hadoop Streaming para calcular a contagem de palavras 08:52
      • 12.5 Verificação de conhecimento
      • 12.6 Integração do Python com o Spark usando o PySpark 07:43
      • 12.7 Demo 02 - Usando o PySpark para determinar a contagem de palavras 04:12
      • 12.8 Verificação de conhecimento
      • 12.9 Tarefa 01
      • 12.10 Tarefa 01 Demo 02:47
      • 12.11 Tarefa 02
      • 12.12 Assignment 02 Demo 03:30
      • 12,13 Questionário
      • 12.14 Principais tópicos 01:20
    • Projeto 1 18:36
      • Análise de dados do mercado de ações do projeto 1 18:36
    • Projeto 2 20:06
      • Projeto 02
      • Projeto principal 02 20:06
    • Feedback do Curso
      • Feedback do Curso
    • {{childObj.title}}
      • {{childObj.childSection.chapter_name}}
        • {{lesson.title}}
      • {{lesson.title}}

    View More

    View Less

Exame e certificação

  • O que preciso fazer para desbloquear meu certificado Simplilearn?

    Sala de aula on-line:
    • Participe de um lote completo.
    • Complete 1 projeto.
    Auto-aprendizagem online:
    • Complete 85% do curso.
    • Complete 1 projeto.

  • Quais são os pré-requisitos para este curso de aprendizado de máquina?

    Os participantes deste curso on-line de Aprendizado de Máquina devem ter:

    • Familiaridade com os fundamentos da programação Python
    • Matemática Básica do Ensino Médio
    • Compreensão dos fundamentos da estatística

    O curso aborda os conceitos de matemática e estatística necessários para o aprendizado de máquina e forneceremos um curso gratuito do Python ao adquirir nosso curso Aprendizado de Máquina.

Rever

Deboleena Paul
Deboleena Paul Senior Technical Lead at HCL Technologies

Minha experiência ao fazer certificação de aprendizado de máquina da Simplilearnwas foi além da minha expectativa para uma sala de aula on-line. O treinador foi ótimo. Ele foi muito paciente e interativo.

Read more Read less
Ujjwal Seth
Ujjwal Seth Data Analyst at Hewlett Packard Enterprise

Eu terminei a certificação Machine Learning recentemente da Simplilearn. Foi divertido como eu era capaz de fazer essa habilidade quando estava achando muito difícil aprender algumas das outras plataformas online. Não duvido que eu sinto que o Simplilearn é a melhor plataforma online para aprender habilidades de ciência da computação! O acesso ao laboratório on-line oferece recursos técnicos completos, com os quais você pode executar o código do computador e não precisa instalar o software no laptop. Todo o sistema é ao mesmo tempo simplista e intuitivo e torna a experiência do usuário simples e bonita. O conteúdo do curso foi interessante e usou muita aplicação da vida real que me ajudou a entender melhor. O suporte ao cliente foi muito favorável e está sempre pronto para nos ajudar. Na verdade, sempre garantiram que nosso problema seria resolvido e a resposta seria rápida. Portanto, uma mente curiosa não deve perder a chance de se inscrever em seu curso preferido na Simplilearn.

Read more Read less
Parichay Bose
Parichay Bose Solutions Architect at Ericsson

Eu tenho feito vários cursos na Simplilearn, incluindo Big Data Hadoop, Machine Learning, MEAN Stack. Além do conteúdo incrível e treinador, eles têm incrível suporte executivo que me faz sentir cuidado. O suporte ao cliente é útil e está sempre presente quando você precisar de ajuda. É aí que outros programas de treinamento on-line estão ficando para trás. Bem feito Simplilearn!

Read more Read less
Vijay Marupadi
Vijay Marupadi Project Manager at Canadas Best Store Fixtures

A experiência de aprendizado do Simplilearn estava além da minha expectativa. O profissionalismo com o qual o treinamento foi realizado vale a pena ser elogiado. Eu recomendaria prontamente o Simplilearn para qualquer pessoa que queira seguir uma carreira através do aprendizado online. Vale a pena o dinheiro. Aprendizagem feliz com Simplilearn!

Read more Read less
Leela Krishna
Leela Krishna Senior Operations Professional at IBM INDIA PVT. LTD.

O curso foi muito informativo. O material de estudo fornecido pelo treinador foi extremamente útil e muito fácil de entender.

Rajendra Kumar Rana
Rajendra Kumar Rana Senior Software Engineer RPA at Tech Mahindra

O material do curso foi muito envolvente e útil. O conhecimento aprofundado do Instrutor ajudou a entender melhor o Aprendizado de Máquina.

Read more Read less
Anuvrat Kulkarni
Anuvrat Kulkarni Development Analyst in Social Media at Accenture

Minha experiência com o Simplilearn foi muito enriquecedora. O corpo docente era bastante experiente e tinha um profundo conhecimento do assunto. Estou feliz com o Simplilearn e com certeza recomendaria outros.

Read more Read less
Happy Snehal
Happy Snehal Data Science Intern at ABB

My experience with Simplilearn has been amazing. This is the fifth course that I have done from here and all the courses provide the best quality knowledge. Machine Learning course content was wide and deep. It covered algorithms, Python programming, Mathematics, and Statistics. It also provided project support. My customer support experience has been fantastic as within seconds or minutes, I have been provided with solutions and all my issues have been resolved to my full satisfaction. The faculties are well educated, well experienced, humble, kind and eager to teach things.

Read more Read less
Aditi Dalal
Aditi Dalal Analyst (Data Analytics) at The Smart Cube

I have enrolled in Machine Learning from Simplilearn. The content of the course is elaborate and easy to understand. The faculty has clarity in his way of explaining, maintains a very good balance between theory and the practical process. It has been a great learning experience for me.

Read more Read less
Siddhant Vibhute
Siddhant Vibhute M.Tech Scholar at VJTI

Simplilearn provides a platform to explore the subject in depth. The way it connects every problem with the real world makes the subject even more interesting. The trainers and support staff act promptly to each query with every possible help. Machine Learning course is definitely one of my best experiences and is highly recommended for every data scientist aspirant.

Read more Read less

Orientador do curso

Mike Tamir
Mike Tamir No. 1 AI & Machine Learning Influencer, Head of Data Science - Uber ATG

Nomeado pela Onalytica como o principal influenciador no espaço de IA e Aprendizagem Automática, Mike atua como Chefe de Ciência de Dados da equipe de engenharia autônoma da Uber ATG e como professor de ciência de dados da UC Berkeley.

Vivek Singhal
Vivek Singhal Co-Founder & Chief Data Scientist, CellStrat

Vivek é um empreendedor e líder em Inteligência Artificial e indústrias de alta tecnologia. Ele é um cientista de dados e pesquisador com experiência em IA, Aprendizado de Máquina e Aprendizado Profundo.

FAQs

  • Quem são os instrutores e como eles são selecionados?

    Todos os nossos instrutores altamente qualificados são especialistas do setor com anos de experiência relevante na indústria. Cada um deles passou por um rigoroso processo de seleção que inclui triagem de perfil, avaliação técnica e uma demonstração de treinamento antes de serem certificados para treinarem para nós. Também garantimos que apenas os instrutores com alta classificação de ex-alunos permaneçam em nosso corpo docente.

  • Se eu precisar cancelar minha inscrição, posso receber um reembolso?

    Sim, você pode cancelar sua inscrição, se necessário. Reembolsaremos o preço do curso após deduzir uma taxa administrativa. Para saber mais, leia nossa Política de reembolso .

  • Há algum desconto de grupo para programas de treinamento em sala de aula?

    Sim, temos opções de desconto de grupo para nossos programas de treinamento. Entre em contato conosco usando o formulário à direita de qualquer página no site da Simplilearn ou selecione o link Live Chat. Nossos representantes de atendimento ao cliente podem fornecer mais detalhes.

  • Como me inscrevo para o treinamento online?

    Você pode se inscrever para este treinamento em nosso site e efetuar um pagamento online usando qualquer uma das seguintes opções:
    • Crédito Visa ou Cartão de Débito
    • MasterCard
    • Expresso americano
    • Diner's Club
    • PayPal
    Uma vez recebido o pagamento, você receberá automaticamente um recibo de pagamento e informações de acesso via e-mail.

  • Quem posso contatar para saber mais sobre este curso de aprendizado de máquina?

    Entre em contato conosco usando o formulário à direita de qualquer página no site da Simplilearn ou selecione o link Live Chat. Nossos representantes de atendimento ao cliente poderão fornecer mais detalhes.

  • O que é Assistência Global de Ensino?

    Nossos assistentes de ensino são uma equipe dedicada de especialistas no assunto para ajudá-lo a obter a certificação em sua primeira tentativa. Eles envolvem os alunos de forma proativa para garantir que o caminho do curso esteja sendo seguido e ajudar você a enriquecer sua experiência de aprendizado, desde o ingresso na aula até a orientação do projeto e assistência de trabalho. A Assistência de Ensino está disponível durante o horário comercial.

  • O que é coberto pela promessa do Suporte 24/7?

    Oferecemos suporte 24/7 através de email, chat e telefone. Também temos uma equipe dedicada que fornece assistência sob demanda através do nosso fórum da comunidade. Além disso, você terá acesso vitalício ao fórum da comunidade, mesmo após a conclusão do seu curso conosco.

  • E se eu perder uma aula?

    O Simplilearn tem o Flexi-pass que permite que você freqüente as aulas para combinar com sua agenda ocupada e lhe dá a vantagem de ser treinado por professores de nível mundial com décadas de experiência na indústria combinando o melhor treinamento on-line em sala de aula e aprendizado individualizado
    Com o Flexi-pass, o Simplilearn permite acesso a até 15 sessões por 90 dias.

  • O que é o CloudLab?

    O CloudLab é um laboratório de ambiente em Python baseado em nuvem que o Simplilearn oferece com o curso Aprendizado de Máquina para garantir uma execução livre de problemas de seus projetos práticos. Não há necessidade de instalar e manter o Python e suas bibliotecas em uma máquina virtual. Em vez disso, você poderá acessar um ambiente pré-configurado no CloudLab por meio do seu navegador.


    Você terá acesso à plataforma CloudLab on-line da Simplilearn, do Sistema de Gerenciamento de Aprendizagem (LMS) Simplilearn, durante a duração do curso.

  • Como vou executar projetos neste curso de treinamento de Aprendizado de Máquina?

    Você usará o CloudLab da Simplilearn para concluir projetos.

  • Não consigo acessar o curso on-line. Quem pode me ajudar?

    Entre em contato conosco usando o formulário à direita de qualquer página no site da Simplilearn, selecione o link Live Chat ou entre em contato com a Ajuda e suporte .

  • Você oferece uma garantia de devolução do dinheiro para os programas de treinamento?

    Sim. Nós oferecemos uma garantia de devolução do dinheiro para muitos de nossos programas de treinamento. Consulte nossa Política de reembolso e envie solicitações de reembolso por meio do nosso portal de ajuda e suporte .

    • Disclaimer
    • PMP, PMI, PMBOK, CAPM, PgMP, PfMP, ACP, PBA, RMP, SP, and OPM3 are registered marks of the Project Management Institute, Inc.