---
title: Curso de Machine Learning em Projetos
image: https://i.imgur.com/li84a5S.png
---
# CURSO MACHINE LEARNING EM PROJETOS

<!--- 
--->

Todos querem os resultados incríveis criados com **Inteligência Artificial** (IA), mas apenas poucos conseguem desenvolver sozinhos programas que realmente aproveitam o poder da IA. Aprenda conosco de forma prática e guiada por instrutores experientes que já conseguiram levar centenas de pessoas como você a vencerem seus primeiros desafios com Machine Learning (ML), realizando projetos de sucesso e ganhando autonomia para novas aplicações!

Nesse curso on-line de 40h, em 10 encontros, você desenvolverá a habilidade de alavancar ML, para substituir código que explicitamente define os passos a serem executados pelo computador, por modelos que extraem automaticamente padrões dos seus dados de exemplos. Desde as primeiras aulas você irá desenvolver modelos úteis com aplicação no mundo real e ao longo do curso irá construir um projeto completo!

**Vagas limitadas!**

Novas turmas em 2023
Carga horária : 40 horas em 10 encontros (seg/qua/sex)

* O formato do curso pode ser alterado, conforme a necessidade.

As aulas serão gravadas e ficarão à disposição dos alunos que não puderam comparecer no horário do encontro interativo.

## Inscrições

**Mantenha-se informado sobre futuras turmas**
Caso tenha interesse e deseja ser informado de próximas turmas, deixe seu email no formulário abaixo que entraremos em contato para informá-lo de futuras turmas: [registro de interessados](http://bit.ly/curso_MLProjetos)

[//]: # (Comentários em markdown!)

<!--- estilo html de comentários
1. Preencher o formulário de pré-inscrição, com seus dados para contato
[Formulário de pré-inscrição](https://forms.gle/JvDcKej4NuKeNkRw7)
2. Você receberá um email com as instruções para pagamento, por transferência bancária, única forma de pagamento suportada no momento.
3. Após comprovado o pagamento, receberá a confirmação da inscrição e acesso à plataforma de ensino
-->

Em caso de problema ou dúvida, envie um email para [e-mail]

## *Live* de apresentação do curso

Assista a apresentação do curso, para tirar dúvidas dos interessados, com gravação publicada no [YouTube](https://youtu.be/BiyMPMLWE_I).
Slides da apresentação: [GDrive](https://drive.google.com/file/d/1ZuaBiPuqP1wOMdUccWJbRnC-u-DhEsoO/view?usp=sharing) ou [DropBox](https://www.dropbox.com/s/ssqbk1z2eynu264/Apresenta%C3%A7%C3%A3o_Live_MLprojetos_Outubro_2020.pptx?dl=0)

## Pré-requisitos
Para melhor aproveitamento do curso, recomendamos que os interessados já tenham alguma experiência em programação pois desenvolveremos código em python utilizando bibliotecas próprias para ciência de dados, como pandas e scikit-learn.
Indicaremos referências para consolidar a sintaxe básica de python e pandas antes do início do curso. A fluência com essas bibliotecas e ferramentas será desenvolvida ao longo do curso.

Não há pré-requisito em matemática ou estatística, pois desenvolveremos a intuição dos conceitos por meio de experimentação computacional.
Espera-se um nível de inglês suficiente para extrair informações de textos técnicos, como a documentação de bibliotecas.

## Cronograma das aulas

As aulas ocorrerão todas as segundas, quartas e sextas-feiras, em um total de 10 encontros, por transmissão ao vivo, com interação com os alunos.

| aula| conteúdo |
| -------- | -------- |
| 1 | Conceitos, ambiente e ferramentas |
| 2 | Classificação com KNN e regressão logística |
| 3 | Avaliação e otimização de modelos, pré-processamento, validação cruzada |
| 4 | Regressão linear, variáveis categóricas, busca de hiperparâmetros |
| 5 | Projeto dirigido, balanceamento de classes, dados faltantes |
| 6 | Árvore de decisão: construção, visualização e interpretação |
| 7 | Processamento de Linguagem Natural (NLP): bag-of-words, tf-idf e classificação de textos |
| 8 | Combinação de modelos: ensemble. Random Forest |
| 9 | Pipeline com dados mistos (categóricos, numéricos e textuais). Interpretação de modelos |
| 10 | Apresentações dos projetos, feedback |

<!---As aulas ocorrerão todas as segundas, quartas e sextas-feiras, de 9 de novembro a 30 de novembro, das 18h30 às 21h30, por transmissão ao vivo com interação com os alunos.

| aula| dia | conteúdo |
| -------- | -------- | -------- |
| 1 | Segunda, 9 de novembro | Conceitos, ambiente e ferramentas |
| 2 | Quarta, 11 de novembro | Classificação com KNN e regressão logística |
| 3 | Sexta, 13 de novembro | Avaliação e otimização de modelos, pré-processamento, validação cruzada |
| 4 | Segunda, 16 de novembro | Regressão linear, variáveis categóricas, busca de hiperparâmetros |
| 5 | Quarta, 18 de novembro | Projeto dirigido, balanceamento de classes, dados faltantes |
| 6 | Sexta, 20 de novembro | Árvore de decisão: construção, visualização e interpretação |
| 7 | Segunda, 23 de novembro | Processamento de Linguagem Natural (NLP): bag-of-words, tf-idf e classificação de textos |
| 8 | Quarta, 25 de novembro | Combinação de modelos: ensemble. Random Forest |
| 9 | Sexta, 27 de novembro | Pipeline com dados mistos (categóricos, numéricos e textuais). Interpretação de modelos |
| 10 | Segunda, 30 de novembro | Apresentações dos projetos, feedback |
--->

As aulas são transmitidas por videoconferência, com atividades em cadernos jupyter executados em ambiente em nuvem, com a linguagem Python e bibliotecas pandas e scikit-learn. O curso é focado em aprendizado supervisionado, tanto com dados tabulares quanto textuais, com a aplicação sistemática dos principais conceitos e técnicas de machine learning: validação cruzada, métricas, pré-processamento dos diversos tipos de dados (categóricos, numéricos e textuais), engenharia e seleção de features, otimização de hiperparâmetros, ensemble, interpretação de resultados e modelos treinados, NLP: classificação de texto e análise de sentimento em português.

Alguns exemplos de projetos desenvolvidos por alunos em turmas passadas:
* Análise de concessão do Auxílio Emergencial
* Análise de microdados do Enem: prevendo desempenho de alunos em função de suas características socioeconômicas
* Classificação automática de normativos jurídicos
* Nowcasting do PIB usando dados abertos
* Previsão de tempo de atendimento de chamados
* Auditoria automatizada de dados cadastrais
* Classificação em resultados esperados de um processo de decisão
* Preenchimento de dados faltantes
* Classificação de palavras-chave na legislação federal
* Ranqueamento das escolas que mais contribuem para o desempenho de seus alunos no ENEM
* Prevendo quais candidatos serão eleitos em função de suas características

## Instrutores

**ERICK MUZART FONSECA DOS SANTOS**
Graduado em computação, especializado em análise de dados e Deep Learning (DL). Egresso do Deep Learning Summer School da Université de Montreal, Canadá, em 2017, onde teve contato com o estado da arte de DL e com alguns dos melhores pesquisadores mundiais da área. Auditor e cientista de dados no Tribunal de Contas da União (TCU), lotado no Centro de Pesquisa e Inovação onde atua no programa de capacitação dos auditores em análise de dados. Um dos fundadores do grupo de estudo em DL de Brasília, tendo sido instrutor em mais de uma dezena de cursos, presenciais e à distância, e na pós-graduação em ciência de dados do TCU.

**FERNANDO LUIZ BRITO DE MELO**
Cientista de dados do Senado Federal, é bacharel em Administração e possui especialização em Inteligência Artificial pela Johns Hopkins University.
Com experiência de mais de 20 anos em projetos de análise de dados, é co-organizador do grupo meetup Machine Learning Brasília com mais de 1.900 participantes.
Co-organizador do Grupo de Estudos Deep Learning Brasília, onde atua como professor voluntário com o objetivo de popularizar o uso da Inteligência Artificial e organizar cursos abertos à toda a comunidade de Brasília. Foi instrutor em pelo menos 8 cursos de machine learning e deep learning, ministrados presencialmente no Centro de Treinamento ISC-TCU e remotamente pela ENAP e TCU.