Data Science e Machine Learning com Estatística e Python

Estudo das principais funcionalidades da biblioteca Pandas , que é a principal biblioteca de manipulação de dados da Data Science

Estudo das principais funcionalidades da biblioteca Numpy , que é a principal biblioteca de manipulação de operações matemáticas

Estudo das principais bibliotecas de Visualização de Dados : Matplotlib e Seaborn

Manipulando TimeSeries, que são os tipos usados em ​​datas e horas

Redução de Dimensões com PCA e TSNE

Estatística para Data Science.

Machine Learning , com teoria e aplicação prática de estratégias básicas e avançadas

Intuição e aplicação dos seguintes modelos preditivos:

• Linear_Regression (Regressão Linear)

• Logistic_Regression (Regressão Lógica)

• Decision_Tree (Árvore de Decisão)

• Random_Forest (Floresta Aleatória)

• Stochastic_Gradient_Descent (SGD)

• Support_Vector_Machine (SVM)

• AdaBoost

• Gradient_Boost (Impulsionamento Gradiente)

• K-Means_Clustering – (K-Médias de Grupos)

• K-Nearest_Neighbors (KNN)

PROJETO: Predição da Idade dos Passageiros do Titanic (Regressão Linear)

PROJETO: Classificação de sobrevivência dos passageiros do Titanic (Classificação)

PROJETO: Análise de Sentimentos de Frases do Twitter (Processamento de Linguagem Natural – PLN)

PROJETO: Funcionamento e uso do modelo de detecção e classificação de objetos em imagens e vídeos YOLO (Visão Computacional)

PROJETO: Segregando Clientes por Padrões de Compras (Clustering)

PROJETO: Táxi Auto-Dirigível (Aprendizagem Reinforçada)