Turmas de Estudos e Mentoria Planos e Assinaturas Mapeamentos de Concursos Específicos. Cursos Regulares - Teoria Completa, Exercícios e Aulas em PDF Aprendendo a Estudar - Técnicas de Estudos, de Aprendizagem e Mentoria.

Pesquisar por cursos... Pesquisando por … Sem resultados para … Ver todos os cursos com …

Aula 11 - Machine Learning - Agrupamento

Vitor Kessler

Auditor Federal de Finanças e Controle da Controladoria-Geral da União CGU, trabalhando com auditoria de TI e cruzamento de bases de dados.

Compre agora e tenha acesso ao curso completo

12 × de R$ 20,42 R$ 245,00 à vista

Comprar agora

Conteúdo

1Comece por aqui - Avisos e Notificações

Muita atenção neste módulo, pois serão postados todos os avisos e notificações geais do curso aqui.

Novidades na nova plataforma 1 - Acesso aos cursos, acompanhamento dos cursos e novidades no acesso.
13:10
ASSISTIR
Conhecendo nossas Categorias de Cursos e tirando maior proveito da plataforma.
13:33

2Entenda as Parcerias

Aqui serão postados vídeos explicativos sobre cada uma das nossas parcerias e como tudo funciona.

Entenda a Parceria com o TECConcursos e como tudo funciona após a sua matrícula
01:59

3DADOS E BASES DE DADOS/QUALIDADE E PREPARAÇÃO DE DADOS

III- DADOS E BASES DE DADOS: 1. Conceitos fundamentais de dados, informação e conhecimento; dados qualitativos (nominal, ordinal) e quantitativos (discretos, contínuos); tidy data; formatos de arquivos de dados comuns (txt, csv, xlsx, xml e json). 2. Introdução a Bases de Dados: o que são bases de dados; metadados. V- QUALIDADE E PREPARAÇÃO DE DADOS: 1. Metadados: a sua importância para avaliação da qualidade de dados; linhagem de dados; 2. Coleta de dados: fontes comuns de dados (internas e externas); técnicas de web scraping. 3. Problemas comuns de qualidade de dados: valores ausentes; duplicatas; outliers; desbalanceamento; erros de imputação. 4. Preparação de dados: técnicas de tratamento e limpeza de dados; técnicas detecção de vieses; data profiling. 5. Pré-processamento de dados: técnicas de normalização e padronização; discretização; metodologias de codificação de variáveis categóricas (encoding). 6. Feature engineering: processos para enriquecimento de dados, com criação e seleção de features relevantes; transformações matemáticas e estatísticas comuns em variáveis. 7. Divisão de dados: técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para cross-validation. 3. Introdução ao armazenamento de dados: armazenamento de arquivos; principais estruturas de armazenamento de dados analíticos (data warehouse, data mart, data lake, data lakehouse), suas diferenças conceituais e casos de uso; armazenamento na nuvem. 4. Sistemas Gerenciadores de Base de Dados (SGBDs): definição de SGBD; principais funções; principais tipos de SGBDs (SQL e NoSQL) e suas diferenças; transações e índices; controle de acesso; regras de integridade. 5. Modelo de dados: modelo de entidade-relacionamento (ER); modelo relacional: tabelas, esquemas, chaves (primária e estrangeira), consultas; dados estruturados, semiestruturados e não estruturados; modelo chave-valor; modelo colunar; modelo orientado a documentos; modelo orientado a grafos. 6. Big Data: conceito de big data; conceitos gerais sobre técnicas e ferramentas para lidar com grandes volumes de dados (Spark, Hadoop, Parquet, HDFS e MapReduce).

Conceitos de Bancos de Dados - Aula em PDF
Conceitos de Bancos de Dados e Análise de Informações - Regular - 01
37:41
ASSISTIR
Conceitos de Bancos de Dados e Análise de Informações - Regular - 02
38:30
ASSISTIR
Conceitos de Bancos de Dados e Análise de Informações - Regular - 03
25:57
Conceitos de Bancos de Dados e Análise de Informações - Regular - 04
34:49
Conceitos de Bancos de Dados e Análise de Informações - Regular - 05
29:27
Conceitos de Bancos de Dados e Análise de Informações - Regular - 06
24:44
Conceitos de Bancos de Dados e Análise de Informações - Regular - 07
26:40
Conceitos de Bancos de Dados e Análise de Informações - Regular - 08
46:29
Modelagem e Abordagem Relacionais - Aula em PDF
39 págs.
Modelagem e Abordagem Relacional - Regular - 01
40:10
ASSISTIR
Modelagem e Abordagem Relacional - Regular - 02
33:08
Modelagem e Abordagem Relacional - Regular - 03
26:08
Modelagem e Abordagem Relacional - Regular - 04
27:03
Modelagem e Abordagem Relacional - Regular - 05
27:24
Modelagem e Abordagem Relacional - Regular - 06
32:36
Modelagem e Abordagem Relacional - Regular - 07
33:30
Modelagem e Abordagem Relacional - Regular - 08
44:56
Modelagem e Abordagem Relacional - Regular - 09
25:00
Modelagem e Abordagem Relacional - Regular - 10
38:24
Modelagem e Abordagem Relacional - Regular - 11
17:00
Modelagem e Abordagem Relacional - Regular - 12
40:21
SQL - Material em PDF
63 págs.
SQL - 1 - Conceitos e Tipos de Sublinguagens DDL, DML
30:31
ASSISTIR
SQL - 2 - Tipos de Dados, Domínios e Valores Default
18:39
SQL - 3 - Constraints, Chaves Primárias, Chaves Estrangeiras - 1
31:08
SQL - 4 - Constraints, Chaves Primárias, Chaves Estrangeiras - 2
32:11
SQL - 5 - Alter, Drop
18:28
SQL - 6 - Delete
11:14
SQL - 7 - Insert Into
17:10
SQL - 8 - Update
12:14
SQL - 9 - Select - 1 - ALL, Distinct, Expressões, Comparações
31:51
SQL - 10 - Select - 2 - ALL, Distinct, Expressões, Comparações - Exercícios
10:37
SQL - 11 - Select - 3 - Between, Joins
27:53
SQL - 12 - Select - 4 - Considerações Finais
41:15
Modelagem de Dados Dimensional, Multidimensionalidade e BI - Material em PDF
46 págs.
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 1
39:49
ASSISTIR
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 2
40:00
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 3
38:16
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 4
26:31
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 5
27:03
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 6
29:55
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 7
35:07
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 8
27:48
Modelagem de Dados Dimensional, Multidimensionalidade e BI - 9
17:14
Big Data Conceitos - 01
25:54
ASSISTIR
Big Data Conceitos - 02
31:20
Big Data Conceitos - 03
47:20
Papéis dos envolvidos em projetos de Ciência de Dados e Big Data - 01
28:06
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 01
31:47
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 02
30:57
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 03
42:22
Big Data Avançado - Entrega, Distribuição, Nuvem, Hadoop e Armazenamento - 04
26:24
Big Data em Relação às demais Disciplinas - 01
25:17
Big Data em Relação às demais Disciplinas - 02
22:31
Detecção de Anomalias - 01
36:09
Detecção de Anomalias - 02
32:07
Detecção de Anomalias - 03 - Questões
07:13
Ingestão de dados - Multibancas - 01
20:00
Otimização de Consultas SQL - FGV - 01
26:35
Indexação de Dados - FGV - 01
30:39
Liquibase e Gestão de Configuração de Esquema de Banco de Dados - Multibancas - 01
19:29
Tratamento de Dados - Multibancas - 01
24:22
Dados Espaciais - Multibancas - 01
23:50

4GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS

IV- GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS: 1. Ciclo de vida de projetos de ciência de dados. 2. Metodologias de gestão de projetos de ciência de dados: CRISP-DM, Microsoft Team Data Science Process (TDSP), OSEMN; princípios de métodos ágeis (Scrum/Kanban).

Métodos Ágeis - Regular - 01 - Conceitos
31:01
ASSISTIR
Métodos Ágeis - Regular - 02 - Conceitos
36:13
Métodos Ágeis - Regular - 03 - Planejamento Ágil, RAD
29:13
Métodos Ágeis - Regular - 04 - Prototipação Evolucionária, XP
31:28
Métodos Ágeis - Regular - 05 - Scrum
27:49
Métodos Ágeis - Regular - 06 - Scrum
29:53
Métodos Ágeis - Regular - 07 - Scrum
38:06
Métodos Ágeis - Regular - 08 - Scrum
33:10
Métodos Ágeis - Regular - 09 - Scrum, Kanban
37:51
Métodos Ágeis - Regular - 10 - Lean, TDD, BDD
32:07

5MODELAGEM

VI- MODELAGEM: 1. Pipeline de treinamento de modelos e suas etapas. 2. Otimização de hiperparâmetros: grid search; random search; algoritmos de otimização avançados; automl; autotuning; autofeature engineering. 3. Métricas para avaliação e seleção de modelos: métricas para regressão (MSE; RMSE; MAE; R²; R² ajustado); métricas para classificação (accuracy, precision, recall, F1-score e ROC-AUC); análise de matriz de confusão; trade-off entre viés e variância; detecção de overfitting e underfitting. 4. Técnicas de regularização: lasso; ridge; elastic net; dropout; early stopping; batch normalization. 5. Dados desbalanceados: técnicas para lidar com dados desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos. 6. Validação de Modelos: Kfold cross-validation; leave-one-out cross-validation; bootstrap. 7. Modelagem de IA centrada em dados (data-centric).

6CLASSES DE MODELO/PROCESSAMENTO DE LINGUAGEM NATURAL

VII- CLASSES DE MODELOS: 1. Redução de dimensionalidade: Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. 2. Técnicas de clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. 3. Técnicas de classificação: Regressão logística; K-Nearest Neighbors (KNN); Suport Vector Machines (SVM); Decision Trees (CART); classificadores Naive-Bayes (Binomial-Beta, Poisson-Gama, Normal-Normal); Florestas Aleatórias (Random Forest). 4. Introdução à regressão: regressão linear simples e múltipla; hipóteses clássicas, método dos mínimos quadrados, diagnóstico e avaliação de modelos de regressão (F-test, coeficiente de determinação, análise de resíduos e demais), testes de significância, intervalos de confiança, análise ANOVA, modelos não lineares (log-log, lin-log, log-lin e inverso). 5. Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost, LightGBM e CatBoost); stacking. 6. Sistemas de recomendação: Filtragem colaborativa (baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos; problemas comuns (cold start, escalabilidade, data sparsity). 7. Modelos de séries temporais: definição; componentes (tendência, sazonalidade, ciclos e ruído); autocorrelação e autocorrelação parcial; conceito e testes de estacionaridade; cointegração; modelos AR, ARMA e ARIMA; modelos de suavização exponencial; modelos de decomposição; modelos de regressão com variáveis temporais (ARIMAX). 8. Tópicos em regressão: modelos de dados em painel; GLM; regressão espacial; regressão quantílica; regressão de Poisson; modelos VAR; ECM e GARCH. 9. Introdução a modelos causais: fundamentos de causalidade estatística, experimentos e quase-experimentos, desenho de descontinuidade de regressão, modelos de variáveis instrumentais, diferenças em diferenças, métodos de pareamento. 10. Redes neurais: Introdução a Redes Neurais Artificiais (arquitetura, funções de ativação, treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização, épocas, batch size e demais); embeddings; redes profundas (deep learning); Redes Neurais Convolucionais (CNNs) e Recorrentes (RNNs); LSTM; GRU; GAN; modelos multimodais. VIII- PROCESSAMENTO DE LINGUAGEM NATURAL (NLP): 1. Técnicas de pré-processamento de texto: limpeza; normalização; remoção de stop words; stemming; lematização e demais. 2. Representação de texto: N-grams; CBoW; FTD-IDF; word embeddings (Word2Vec, GloVe e demais) e document embeddings (Doc2Vec, BERT, ELMo e demais). 3. Modelagem de tópicos: latent dirichlet allocation (LDA); non-negative matrix factorization (NMF). 4. Modelos de linguagem: modelos de linguagem tradicionais; redes neurais recorrentes; redes neurais convolucionais; transformers. 5. Tarefas básicas em NLP: classificação de texto; análise de sentimento; extração de informação (NER; REL); similaridade textual; sumarização de texto; rotulação de partes do discurso (POS-tagging) e tradução automática.

Aula em PDF - Inteligência Artificial
94 págs.
Aula 00 - Introdução à Inteligência Artificial.
36:43
ASSISTIR
Introdução - Questões - 2023-2024
21:50
Aula 01 - Introdução a Machine Learning
26:36
ASSISTIR
Aula 02 - Introdução a Machine Learning - 02
09:10
Aula 03 - Machine Learning - Over e Underfitting
26:21
ASSISTIR
Aula 04 - Machine Learning - Tipos de Aprendizado
14:42
Aula 05 - Machine Learning - Métricas de Classificação
24:08
Aula 06 - Machine Learning - Classificação, Árvores de Decisão e Random Forest
36:16
Aula 07 - Machine Learning - KNN e Naive Bayes
29:00
Aula 08 - Machine Learning - Redes Neurais Artificais
26:40
Aula 09 - Machine Learning - Regressão Logística e SVM
23:52
Aula 10 - Machine Learning - Regressão
11:40
Aula 11 - Machine Learning - Agrupamento
29:37
ASSISTIR
Aula 12 - Machine Learning - Regras de Associação e Redução de Dimensionalidade
17:21
Aula 01 - Aprendizado de Máquina - Questões atualizadas 2024
38:25
Aula 02 - Aprendizado de Máquina - Questões atualizadas 2024
31:42
Aula 03 - Aprendizado de Máquina - Questões atualizadas 2024
35:07
Aula 04 - Aprendizado de Máquina - Questões atualizadas 2024
25:15
Aula 05 - Aprendizado de Máquina - Questões atualizadas 2024
26:18
Aula 06 - Aprendizado de Máquina - Questões atualizadas 2024
24:57
Aula 01 - Deep Learning Parte 01
19:08
Aula 02 - Deep Learning Parte 02
27:28
Deep Learning - Questões - 2023-2024
29:28
Aula 03 - PLN Parte 01
21:34
Aula 04 - PLN Parte 02
23:21
Aula 05 - Visão Computacional e Mineração de Textos
18:43
PLN e Visão Computacional - Questões - 2023-2024
24:49
Avaliação de Modelos - Regular - Multibancas
32:01
Avaliação de Modelos - Questões - 2023-2024
28:57
Tópicos de IA - Aula 01 - IA Generativa Parte 01
27:30
Tópicos de IA - Aula 02 - IA Generativa Parte 02
35:20
Tópicos de IA - Aula 03 - MLOps
29:08
Tópicos de IA - Aula 04 - Ética na IA
31:55

7PROGRAMAÇÃO E FERRAMENTAS

IX- PROGRAMAÇÃO E FERRAMENTAS: 1. Linguagem de programação Python: sintaxe básica; operadores; variáveis; estruturas de dados (dataframes, listas, matrizes, dicionários e conjuntos); estruturas de controle de fluxo; funções; escopo; método; paralelização de rotinas; serialização e desserialização. 2. Bibliotecas Python: Pandas (manipulação; limpeza; transformação e pré-processamento de dado); NumPy (operações de arrays); Matplotlib e Seaborn (visualização de dados); TensorFlow; Keras e PyTorch (redes neurais); Scikit-learn e XGBoost (aprendizado de máquina); NLTK e spaCy (processamento de linguagem natural); huggingface (LLM); PySpark (Big data); Beautiful Soup (web scraping); Streamlit (data apps). 3. Linguagem SQL (Structured Query Language): conceitos introdutórios; comandos básicos para consultas (inserção, atualização e exclusão de dados) e para análise de dados (como funções de agregação, filtros, joins, subconsultas e demais). 4. Microsoft Power BI: conexão e importação de dados; modelagem de dados; criação de medidas e colunas calculadas; visualizações e gráficos; interações entre visualizações; criação de relatórios e painéis.

Python - Regular - 01
31:47
ASSISTIR
Python - Regular - 02
33:23
Python - Regular - 03
30:31
Python - Regular - 04
31:25
Python - Regular - 05
31:07
Python - Regular - 06
31:54
Python - Regular - 07
33:44
Python - Regular - 08
33:09
Pandas- Regular - 01
32:05
Pandas- Regular - 02
35:19
Python NumPy - Multibancas - 01
36:24
Python NumPy - Multibancas - 02
42:40
Python SciPy - Regular
25:55
Python Matplotlib - Regular
21:44
Scikit Learn Multibancas 01
27:33
Scikit Learn Multibancas 02
42:07

8VISUALIZAÇÃO; STORYTELLING E COMUNICAÇÃO CORPORATIVA

X- VISUALIZAÇÃO; STORYTELLING E COMUNICAÇÃO CORPORATIVA: 1. Principais tipos de visualizações e gráficos: tabela; gráfico de barras; linhas; pizza; dispersão; histograma; área; boxplot; bolhas; radar; mapas cartográficos; mapa de calor. 2. Visualização de dados: princípios de design de gráficos efetivos; principais conceitos de codificação visual; interatividade; acessibilidade em gráficos. 3. Dashboards: técnicas para construção de interfaces e layout; abordagens para escolha de designs; organização de elementos visuais e gráficos; seleção de gráficos e visualizações; interatividades e drill-downs; acessibilidade. 4. Storytelling com dados: construção de narrativas visuais e contextualizações; componentes de um storytelling efetivo.

Visualização e Análise Exploratória de Dados - 1
28:57
Visualização e Análise Exploratória de Dados - 2 - Questões
08:32
Oracle BI EE - 01
29:53
Oracle BI EE - 02
16:52
Oracle BI EE - 03
23:07
QlikView
24:30
Power BI - Aula em PDF
64 págs.
Power BI - Regular - 01 Introdução e Power BI Desktop
26:36
ASSISTIR
Power BI - Regular - 02 - Power BI Desktop
31:33
Power BI - Regular - 03 - Power BI Service e Conceitos
30:53

9GOVERNANÇA E SEGURANÇA DE DADOS

XI- GOVERNANÇA E SEGURANÇA DE DADOS: 1. Noções de governança de dados (DMBOK): conceitos e objetivos da governança de dados; principais técnicas de qualidade e integridade de dados; princípios de privacidade e proteção a dados.

Governança de Dados e Qualidade de Dados - DMBok - 01 - Multibancas
29:45
ASSISTIR
Governança de Dados e Qualidade de Dados - DMBok - 02 - Multibancas
30:50
Governança de Dados e Qualidade de Dados - DMBok - 03 - Multibancas
24:00
Governança de Dados e Qualidade de Dados - DMBok - 04 - Multibancas
29:07

10GOVERNANÇA SEGURANÇA E APLICAÇÃO RESPONSÁVEL DE IA

XII- GOVERNANÇA SEGURANÇA E APLICAÇÃO RESPONSÁVEL DE IA: 1. Noções de governança de IA: conceitos e objetivos da governança de IA; gestão de riscos em IA. 2. Principais riscos e vulnerabilidades relacionados a IA: viés algorítmico; exposição de dados sensíveis; envenenamento de dados de treinamento; ataques adversariais; ataques de manipulação de modelos; roubo de modelos; ataque de inferência; alucinações. 3. Aplicação de IA responsável: definição; ética; transparência; justiça e equidade; responsabilização; segurança cibernética; compliance regulatório

Avaliação de Modelos - Regular - Multibancas
32:01
Avaliação de Modelos - Questões - 2023-2024
28:57
Tópicos de IA - Aula 01 - IA Generativa Parte 01
27:30
Tópicos de IA - Aula 02 - IA Generativa Parte 02
35:20
Tópicos de IA - Aula 03 - MLOps
29:08
Tópicos de IA - Aula 04 - Ética na IA
31:55

MAIS 7 MÓDULOS ESCONDER 7 MÓDULOS