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 Automática32:24
    • Lição 2: Técnicas de Aprendizado de Máquina 24:01
      • 2.01- Técnicas de Aprendizado de Máquina24:01
    • Lição 3: pré-processamento de dados 1:15:56
      • 3.01 - Pré-processamento de dados1:15:56
    • Lição 4: Reciclagem de Matemática 30:40
      • 4.01- Atualizador de Matemática30:40
    • Lição 5: Regressão 55:25
      • 5.01- Regressão55:25
    • Lição 6: Classificação 1:03:41
      • 6.01 Classificação1:03:41
    • Lição 7: Aprendizado não supervisionado - Clustering 13:05
      • 7.01- Aprendizado Não Supervisionado com Cluster13:05
    • Lição 8: Introdução ao Aprendizado Profundo 10:03
      • 8.01- Introdução ao Aprendizado Profundo10:03
    • Seção 1 - Introdução ao Python 20:58
      • 1.1 Introdução ao Python09:53
      • 1.2 Impressão e Cordas08:11
      • 1.3 Math02:54
    • Seção 2 - Variáveis, Loops e Declarações 38:17
      • 2.1 Variáveis, Loops e Declarações04:58
      • 2.2 While Loops06:13
      • 2.3 For Loops05:13
      • 2.4 Se as declarações06:59
      • 2.5 Se mais declarações04:12
      • 2.6 Se Elif Else Statements10:42
    • Seção 3 - Funções e Variáveis 29:57
      • 3.1 Funções e Variáveis05:21
      • 3.2 Parâmetros da Função15:00
      • 3.3 Variáveis ​​globais e locais09:36
    • Seção 4 - Compreendendo a detecção de erros 12:29
      • 4.1 Compreendendo a detecção de erros12:29
    • Seção 5 - Trabalhando com arquivos e classes 16:40
      • 5.1 Trabalhando com arquivos e classes04:45
      • 5.2 Anexando a um arquivo03:29
      • 5.3 Leitura de um arquivo03:47
      • 5.4 Classes04:39
    • Seção 6 - Python Intermediário 54:19
      • 6.1 Python Intermediário07:55
      • 6.2 Sintaxe de Importação06:53
      • 6.3 Fazendo Módulos06:39
      • 6.4 Manipulação de Erros - Experimente e Aceite13:10
      • 6.5 Listas vs Tuplas E Manipulação De Lista11:03
      • 6.6 Dicionários08:39
    • Seção 7 - Conclusão 27:22
      • 7.1 Conclusão27:22
    • Módulo 01 - Introdução ao Curso 05:08
      • 1.1 Introdução ao Curso04:10
      • 1.2 Visão Geral do Projeto Final00:58
    • Módulo 02 - Introdução ao Django 59:11
      • 2.1 Introdução00:35
      • 2.2 Instalação e Configuração do Django11:19
      • 2.3 MVC aplicado ao Django Plus Git08:19
      • 2.4 visualizações básicas, modelos e URLs15:37
      • 2.5 Modelos, Bancos de Dados, Migrações e o Django Admin19:07
      • 2.6 Recapitulação da Seção01:37
      • 2,7 Quiz02:37
    • Módulo 03 - Criando um sistema de autenticação de usuário 56:49
      • 3.1 O que você aprenderá nesta seção01:04
      • 3.2 Configurando um sistema de autenticação de usuário simples22:26
      • 3.3 Variáveis ​​de Login e Sessão18:40
      • 3.4 Registro Social13:29
      • 3.5 Revisão00:32
      • 3,6 Quiz00:38
    • Módulo 04 - Frontend 55:42
      • 4.1 O que você aprenderá nesta seção00:29
      • 4.2 Linguagem de Modelo e Arquivos Estáticos16:49
      • 4.3 Integração Twitter Bootstrap20:17
      • 4.4 Compressão de arquivos estáticos e refatoração de modelos17:05
      • 4.5 Revisão00:36
      • 4,6 Quiz00:26
    • Módulo 05 - Comércio Eletrônico 1:09:33
      • 5.1 O que você aprenderá nesta seção00:24
      • 5.2 Preparando a vitrine26:35
      • 5.3 Adicionando um carrinho de compras20:12
      • 5.4 Integração com Paypal21:11
      • 5.5 Integração de faixas com o Ajax00:01
      • 5.6 Revisão00:41
      • 5,7 quiz00:29
    • Módulo 06 - Upload de Arquivos, Ajax e E-mail 39:28
      • 6.1 O que você aprenderá nesta seção00:37
      • 6.2 Upload de Arquivo14:04
      • 6.3 Formulários13:19
      • 6.4 Email Avançado10:25
      • 6.5 Revisão00:38
      • 6,6 Quiz00:25
    • Módulo 07 - Geolocalização e Integração de Mapas 18:36
      • 7.1 O que você aprenderá nesta seção00:37
      • 7.2 Adicionando uma Representação de Mapa com Geolocalização08:35
      • 7.3 Uso Avançado do Mapa08:24
      • 7.4 Revisão00:31
      • 7.5 Quiz00:29
    • Módulo 08 - Serviços e Sinais do Django Power-Ups 20:11
      • 8.1 O que você aprenderá nesta seção00:52
      • 8.2 Criando um serviço da Web com Tastypie11:04
      • 8.3 Sinais08:15
    • Módulo 09 - Testando seu site 36:20
      • 9.1 O que você aprenderá nesta seção00:21
      • 9.2 Adicionando a barra de ferramentas de depuração do Django04:36
      • 9.3 Teste de Unidade18:05
      • 9,4 Logging12:14
      • 9.5 Revisão00:40
      • 9,6 Quiz00:24
    • Módulo 10 - Conclusão do Curso 04:55
      • 10.1 Conclusão04:55
    • Desenvolvimento de Jogos em Python - Criar um Clone de Pássaro Flappy 2:57:17
      • 1.1 Introdução ao Curso e ao Jogo03:08
      • 1.2 Introdução ao PyGame e Codificação Inicial09:04
      • 1.3 Relógio do Tempo e Game Over10:24
      • 1.4 Instalação de Gráficos02:59
      • 1.5 Fundo e Adicionando Gráficos à Tela06:06
      • 1.6 Trabalhando com coordenadas06:02
      • 1.7 Criando Controles de Entrada11:17
      • 1.8 Limites, eventos de falha e criação de menus09:47
      • 1,9 parte 209:37
      • 1.10 Parte 306:56
      • 1,11 parte 407:58
      • 1.12 Criando Obstáculos Usando Polígonos07:38
      • 1.13 Completando nossos obstáculos09:08
      • 1.14 Lógica de Jogos Usando a Lógica de Blocos12:43
      • 1.15 Sucesso ou falha na lógica de jogo12:19
      • 1.16 Batendo Obstáculos Parte 205:11
      • 1.17 Criando a tela de pontuação12:00
      • 1.18 Adicionando Cores e Níveis de Dificuldade12:27
      • 1.19 Adicionando Cores Parte 212:53
      • 1.20 Adicionando Níveis de Dificuldade09:40
    • Lição 00 - Visão Geral do Curso 04:34
      • 0.1 Visão geral do curso04:34
    • Lição 01 - Visão geral da ciência de dados 20:27
      • 1.1 Introdução à Ciência de Dados08:42
      • 1.2 Setores Diferentes Usando Data Science05:59
      • 1.3 Propósito e Componentes do Python05:02
      • 1.4 Quiz
      • 1.5 Principais Reminiscências00:44
    • Lição 02 - Visão geral da análise de dados 18:20
      • 2.1 Processo de Análise de Dados07:21
      • 2.2 Teste de Conhecimento
      • 2.3 Análise Exploratória de Dados (EDA)
      • 2.4 Técnico EDA Quantitativo
      • 2.5 EDA - Técnica Gráfica00:57
      • 2.6 Conclusão ou Previsões da Análise de Dados04:30
      • 2.7 Comunicação de Análise de Dados02:06
      • 2.8 Tipos de Dados para Plotagem
      • 2.9 Tipos de Dados e Plotagem02:29
      • 2.10 Verificação de Conhecimento
      • 2.11 Questionário
      • 2.12 Principais Remoções00:57
    • Lição 03 - Análise Estatística e Aplicações de Negócios 23:53
      • 3.1 Introdução às Estatísticas01:31
      • 3.2 Análise Estatística e Não Estatística
      • 3.3 Principais Categorias de Estatísticas01:34
      • 3.4 Considerações sobre análise estatística
      • 3.5 População e Amostra02:15
      • 3.6 Processo de Análise Estatística
      • 3.7 Distribuição de Dados01:48
      • 3.8 Dispersão
      • 3.9 Teste de Conhecimento
      • 3,10 Histograma03:59
      • 3.11 Verificação de Conhecimento
      • 3.12 Teste08:18
      • 3.13 Verificação de Conhecimento
      • 3.14 Estatísticas de Correlação e Inferencial02:57
      • 3,15 Questionário
      • 3.16 Principais Remoções01:31
    • Lição 04 - Configuração e Essenciais do Ambiente Python 23:58
      • 4.1 Anaconda02:54
      • 4.2 Instalação do Anaconda Python Distribution (continuação)
      • 4.3 Tipos de Dados com Python13:28
      • 4.4 Operadores e Funções Básicas06:26
      • 4.5 Quiz
      • 4.6 Principais Sugestões01:10
    • Lição 05 - Computação Matemática com Python (NumPy) 30:31
      • 5.1 Introdução ao Numpy05:30
      • 5.2 Atividade-Sequence it Right
      • 5.3 Demo 01-Criando e imprimindo um ndarray04:50
      • 5.4 Teste de Conhecimento
      • 5.5 Classe e Atributos do Ndarray
      • 5.6 Operações Básicas07:04
      • 5.7 Atividade-Slice It
      • 5.8 Copiar e visualizar
      • 5.9 Funções Matemáticas de Numpy05:01
      • 5.10 Tarefa 01
      • 5.11 Assignment 01 Demo03:55
      • 5.12 Tarefa 02
      • 5.13 Tarefa 02 Demo03:16
      • 5,14 Questionário
      • 5.15 principais descobertas00:55
    • Lição 06 - Computação Científica com Python (Scipy) 23:35
      • 6.1 Introdução ao SciPy06:57
      • 6.2 Subpacote SciPy - Integração e Otimização05:51
      • 6.3 Teste de Conhecimento
      • 6.4 Sub pacote SciPy
      • 6.5 Demo - Calcular autovalores e autovetores01:36
      • 6.6 Verificação de Conhecimento
      • 6.7 Sub Pacote SciPy - Estatísticas, Weave e IO05:46
      • 6.8 Atribuição 01
      • 6.9 Assignment 01 Demo01:20
      • 6.10 Tarefa 02
      • 6.11 Tarefa 02 Demo00:55
      • 6,12 Quiz
      • 6.13 Principais Remoções01:10
    • Lição 07 - Manipulação de Dados com Pandas 47:34
      • 7.1 Introdução aos Pandas12:29
      • 7.2 Teste de Conhecimento
      • 7.3 Compreendendo o DataFrame05:31
      • 7.4 Visualizar e Selecionar Demonstração de Dados05:34
      • 7.5 Valores Ausentes03:16
      • 7.6 Operações de Dados09:56
      • 7.7 Verificação de Conhecimento
      • 7.8 Suporte para leitura e gravação de arquivos00:31
      • 7.9 Verificação de Conhecimento - Sequence it Right
      • 7.10 Operação Pandas Sql02:00
      • 7.11 Tarefa 01
      • 7.12 Assignment 01 Demo04:09
      • 7.13 Tarefa 02
      • 7.14 Tarefa 02 Demo02:34
      • 7,15 Quiz
      • 7.16 Principais Remoções01:34
    • Lição 08 - Aprendizado de Máquina com o Scikit – Learn 1:02:10
      • 8.1 Aprendizado de Aprendizado de Máquina03:57
      • 8.2 Passos 1 e 201:00
      • 8.3 Passos 3 e 4
      • 8.4 Como Funciona01:24
      • 8.5 Passos 5 e 601:54
      • 8.6 Considerações sobre o modelo de aprendizado supervisionado00:30
      • 8.7 Verificação de conhecimento
      • 8,8 Scikit-Learn02:10
      • 8.9 Verificação de Conhecimento
      • 8.10 Modelos de Aprendizagem Supervisionados - Regressão Linear11:19
      • 8.11 Modelos de Aprendizagem Supervisionados - Regressão Logística08:43
      • 8.12 Modelos de Aprendizagem Não Supervisionados10:40
      • 8,13 Pipeline02:37
      • 8.14 Persistência e Avaliação de Modelos05:45
      • 8.15 Verificação de Conhecimento
      • 8.16 Tarefa 01
      • 8.17 Tarefa 0105:45
      • 8.18 Tarefa 02
      • 8.19 Tarefa 0205:14
      • 8,20 Quiz
      • 8.21 Principais Remoções01:12
    • Lição 09 - Processamento de Linguagem Natural com o Scikit Learn 49:03
      • 9.1 Visão Geral da PNL10:42
      • 9.2 Aplicativos de PNL
      • 9.3 Verificação de conhecimento
      • 9.4 Bibliotecas de PNL-Scikit12:29
      • 9.5 Considerações sobre extração
      • 9.6 Scikit Learn-Model Treinamento e pesquisa de grade10:17
      • 9.7 Tarefa 01
      • 9.8 Atribuir Demo 0106:32
      • 9.9 Tarefa 02
      • 9.10 Atribuição Demo 0208:00
      • 9,11 Quiz
      • 9.12 Principal Takeaway01:03
    • Lição 10 - Visualização de dados em Python usando o matplotlib 32:46
      • 10.1 Introdução à visualização de dados08:02
      • 10.2 Teste de Conhecimento
      • 10.3 Propriedades da Linha
      • 10.4 (x, y) Gráfico e subenredos10:01
      • 10.5 Teste de Conhecimento
      • 10.6 Tipos de parcelas09:34
      • 10.7 Tarefa 01
      • 10.8 Assignment 01 Demo02:23
      • 10.9 Tarefa 02
      • 10.10 Tarefa 02 Demo01:47
      • 10.11 Questionário
      • 10.12 Principais Remoções00:59
    • Lição 11 - Web Scraping com BeautifulSoup 52:27
      • 11.1 Captura e análise da Web12:50
      • 11.2 Verificação de conhecimento
      • 11.3 Entendendo e Pesquisando a Árvore12:56
      • 11.4 Opções de navegação
      • 11.5 Demo3 Navegando em uma árvore04:22
      • 11.6 Teste de Conhecimento
      • 11.7 Modificando a árvore05:38
      • 11.8 Análise e impressão do documento09:05
      • 11.9 Tarefa 01
      • 11.10 Tarefa 01 Demo01:55
      • 11.11 Tarefa 02
      • 11.12 Assignment 02 demo04:57
      • 11,13 Questionário
      • 11.14 Principais tópicos00:44
    • 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 Python04:55
      • 12.2 Componentes Principais do Hadoop
      • 12.3 Integração do Python com o HDFS usando o Hadoop Streaming07:20
      • 12.4 Demo 01 - Usando o Hadoop Streaming para calcular a contagem de palavras08:52
      • 12.5 Verificação de conhecimento
      • 12.6 Integração do Python com o Spark usando o PySpark07:43
      • 12.7 Demo 02 - Usando o PySpark para determinar a contagem de palavras04:12
      • 12.8 Verificação de conhecimento
      • 12.9 Tarefa 01
      • 12.10 Tarefa 01 Demo02:47
      • 12.11 Tarefa 02
      • 12.12 Assignment 02 Demo03:30
      • 12,13 Questionário
      • 12.14 Principais tópicos01:20
    • Projeto 1 18:36
      • Análise de dados do mercado de ações do projeto 118:36
    • Projeto 2 20:06
      • Projeto 02
      • Projeto principal 0220:06
    • 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.

    Deboleena Paul
    Deboleena Paul Senior Technical Lead at HCL Technologies, Lucknow

    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, Chennai

    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, Mississauga

    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, Mississauga

    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., Bangalore

    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, Pune

    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, Bangalore

    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, Bangalore

    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, Noida

    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, Mumbai

    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

    Our Sydney Correspondence / Mailing address

    Simplilearn Americas, Inc, Suite 2, Level One North, 63 Miller Street, Pyrmont, NSW, Sydney, 2009, Australia, Call us at:1-800-982-536

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