Fundamentos de Machine Learning

Domine os pilares do Machine Learning na prática — sem instalar nada e sem matemática intimidadora.

Domine os pilares do Machine Learning: regressão, classificação, clustering e avaliação de modelos. Exercícios práticos com datasets reais e avaliação com pontuação.

O que você vai conseguir fazer

• Explicar o que é Machine Learning, diferenciar aprendizado supervisionado e não supervisionado e identificar quando (não) usar ML em um problema de negócio
• Construir e interpretar modelos de regressão linear no Google Colab, avaliando-os com MAE, RMSE e R²
• Treinar e avaliar modelos de classificação (regressão logística, árvores e florestas aleatórias) lendo matriz de confusão, precisão, recall e F1
• Segmentar dados sem rótulos usando clustering (K-means) e interpretar os grupos para decisões de negócio
• Diagnosticar overfitting/underfitting e validar modelos corretamente com divisão treino/teste e validação cruzada, evitando vazamento de dados
• Executar um projeto de ML de ponta a ponta — do entendimento do problema à comunicação dos resultados — com um dataset real

Para quem é

Profissionais e estudantes brasileiros que querem entrar na área de dados e IA: analistas, engenheiros de outras áreas, gestores e universitários que querem entender como a máquina aprende e treinar seus primeiros modelos.

Pré-requisitos

Nenhum conhecimento prévio de programação ou estatística — basta familiaridade básica com planilhas e navegador; todo código Python é fornecido pronto e comentado.

Conteúdo

• Bem-vindo(a) ao Machine Learning — 3h15
• Regressão: ensinando a máquina a prever números — 3h20
• Classificação: ensinando a máquina a decidir — 4h15
• Clustering: encontrando grupos escondidos nos dados — 4h
• Avaliação e melhoria de modelos — 4h20
• Projeto final: do dado à decisão — 4h35

Giselle Falcão, PhD — Consultora e pesquisadora em Inteligência Artificial e Ciência de Dados.