Descrição: O curso cobre o seguintes tópicos:<ul> <li>Introdução ao aprendizado estatístico (problemas de regressão e classificação);</li> <li>Revisão Python e apresentação das ferramentas básicas (<i>Numpy, Pandas, Matplotlib</i>);</li> <li><i>Scikit-learn</i> e <i>Keras</i>;;</li> <li>Regressão linear e logística;</li> <li>Avaliação de classificadores (K-fold, recall, precisão e outras medidas binárias);</li> <li>Redes Neurais - MLP.</li> </ul> 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.