Ciência de Dados na Plataforma Knime

Introdução a Ciência de Dados com ênfase em Aprendizado de Máquina utilizando a Plataforma Knime.

Inscrição em: https://www.udemy.com/course/draft/1917954/?referralCode=B349FE9E3F21E2D2F5D4

Objetivos: Apresentamos uma introdução a ciência de dados com ênfase em aprendizado de máquina utilizando a plataforma Kinme. Todos os tópicos são abordados de forma teórica e prática.  

Dúvidas durante o curso: você conta com a ajuda de instrutores altamente qualificados: doutores pela UFMG, pesquisadores e analistas em ciência de dados.  

Professor (instrutor): Sérgio M. Dias 

Resultados esperados: ao final do curso o aluno será capaz de identificar cenários de big data, compreender as principais atividades do cientista de dados, conhecerá os tipos de aprendizado de máquina (supervisionado e não supervisionado), a relação entre o produto e o algoritmo, conhecerá ferramentas para aprendizado de máquina e ciência de dados e será capaz de instalar e utilizar a ferramenta knime para preparação de dados e trarefas iniciais de agrupamento e classificação. 

O que aprenderei?:

• Aprenda a importância da ciência de dados e suas principais aplicações  de forma teórica e prática
• Conheça as principais ferramentas para ciência de dados
• Conheça a plataforma knime, reconhecida pelo Gartner como uma das plataformas lideres em ciência de dados e aprendizado de máquina
• Aprenda na prática diferentes técnicas e etapas do processo de ciência de dados na plataforma knime 
• Conheça os conceitos e faça práticas na plataforma knime para os seguintes assuntos:
  • Aprendizado de Máquina 
  • Preparação dos dados
  • Técnicas de Agrupamento  
  • Análise Preditiva
  • Tarefa de classificação

Requisitos: Familiaridade com Informática 

Quem é o público-alvo?:

• Interessados em entrar para o mundo da Ciência de Dados e aprender uma moderna plataforma para ciência de dados e aprendizado de máquina, a plataforma de ciência de dados kinme.

Ementa:

• 0- Apresentação do curso
• 1- Introdução a Ciência de Dados
  • Os dados estão em toda parte!
  • Em grande quantidade!
  • Big Data 
  • Valor do big data
  • Como lidar com este “dilúvio” de dados?
  • Cientista de Dados
  • O que os cientistas de dados fazem?
  • Como os cientistas de dados trabalham?

• • Vídeo-aulas
    • Introdução a Ciência de Dados – parte 1
    • Introdução a Ciência de Dados – parte 2
    • Introdução a Ciência de Dados – parte 3
    • Introdução a Ciência de Dados – parte 4
    • Introdução a Ciência de Dados – parte 5

• 2– Aprendizado de Máquina 
  • O que é aprendizado?
  • Motivação 
  • Tipos de Aprendizado de Máquina 
    • Supervisionado
    • Não-Supervisionado
    • Por Reforço
  • Paradigmas do aprendizado
    • Simbólico
    • Instance-Based
    • Conexionista
    • Genético
    • Estatístico
  • Estrutura básica do processo de AM
  • Extração de Características 
  • Qual a relação entre aprendizado de máquina e ciência de dados?
  • Qual é a relação com a mineração de dados? 
  • Qual o caminho entre o produto e o algoritmo de AM? 
    • Algoritmos e o futuro

• 3– Ferramentas para Ciências de Dados e Aprendizado de Máquina
  • O que são ferramentas para aprendizado de máquina?
  • Usuários X Ferramentas
  • Uso das ferramentas de aprendizado de máquina
  • Linguagens de programação (Ambiente R e Ambiente Python)
  • Plataformas (KNIME, RapidMiner, SPSS, SAS, Ecossistema Apache e Cluster – nuvem) 

• 4– Plataforma Knime – uma visão geral
  • Prática – Instalando a plataforma knime
  • Prática – Conhecendo o ambiente
  • Prática – Meu primeiro fluxo (Hello World)
  • Prática – Instalando novas funcionalidades
  • Prática – Explorando workflows de exemplo
  • Portabilidade de modelos

• 5– Preparação dos dados
  • Um pouco antes! Dados para aprendizado não supervisionado e supervisionado 
  • knowledge-discovery in databases KDD
  • Seleção dos dados
  • Prática – Seleção de uma base de dados e inferências de tipos 
  • Pré-processamento, limpeza dos dados e dados ausentes (missing values)
  • Prática – Tratamento de dados ausentes
  • Dados discrepantes (outliers)
  • Prática – Selecionar atributos e Remover outliers
  • Transformação dos dados
  • Prática – Matriz de correlação
  • Normalização
  • Prática – Normalizar dados
  • Discretização
  • Prática – Discretização de dados
  • Aprendizado de máquina, Interpretação e avaliação, e Conhecimento

• 6– Técnicas de Agrupamento  
  • Análise de agrupamento
  • Estratégias por partição: O algoritmo k-means – Aula 1
  • Estratégias por partição: O algoritmo k-means – Aula 2
  • Prática – algoritmo k-means
  • Agrupamento por densidade: Algoritmo DBSCAN
  • Prática – algoritmo DBSCAN
  • Estratégias hierárquicas: Os métodos AGNES e DIANA  
  • Prática – agrupamento hierarquico 

• 7– Análise Preditiva
  • Análise Preditiva: classificação vs regressão
  • Espaço de busca de modelos  
  • Armadilhas da análise preditiva 
  • Dados para construção do modelo
  • Prática: dados para construção do modelo

• 8– Tarefa de classificação
  • Matriz de confusão, métricas e curva ROC
  • Prática – Matriz de confusão, métricas e curva ROC
  • K-vizinhos mais próximos (KNN)
  • Prática – KNN – parte 1 
  • Prática – KNN – parte 2
  • Árvore de decisão  
  • Prática – Árvore de decisão
  • Classificador Bayesiano
  • Prática – Classificador Bayesiano
  • Support Vector Machine – SVM 
  • Prática – SVM