Descrição: O curso cobre o seguintes tópicos:

• Introdução ao aprendizado estatístico (problemas de regressão e classificação);
• Revisão Python e apresentação das ferramentas básicas (Numpy, Pandas, Matplotlib);
• Scikit-learn e Keras;;
• Regressão linear e logística;
• Avaliação de classificadores (K-fold, recall, precisão e outras medidas binárias);
• Redes Neurais - MLP.

O conteúdo do curso será desenvolvido utilizando slides e exemplos interativos com Jupyter Notebook. Serão desenvolvidos conteúdos teóricos (como implementações de modelos e algoritmos de otimização) e práticos (determinação de parâmetros), sempre representando as melhores práticas de Aprendizado de Máquina. Serão usados conjuntos de dados públicos reais e comumente usados, como reconhecimento de caracteres manuscritos (MNIST).

Requisito: Programação em Python, noções de Álgebra Linear (operações com vetores e matrizes), Cálculo (derivadas) e Probabilidade. Haverá uma breve revisão desses conceitos no início do curso. Trazer Notebook próprio.