Descoberta dos métodos de aprendizagem não supervisionada em Python
Esta formação permite descobrir os métodos de aprendizagem não supervisionada em Python. Ajuda a compreender os algoritmos de agrupamento, a redução de dimensionalidade e a identificação de estruturas ocultas nos dados. Através de exemplos prati
Crie a sua conta gratuita
Como decorre o curso
Cada lição é um texto estruturado, ilustrado com exemplos e esquemas, seguido de um quiz corrigido automaticamente. Você avança no seu próprio ritmo, e as suas notas ficam associadas à lição em que as fez.
-
Adquirir uma compreensão sólida dos princípios fundamentais da aprendizagem não supervisionada
-
Compreender o funcionamento dos principais algoritmos de agrupamento e da redução de dimensionalidade
-
Saber aplicar métodos não supervisionados em Python para analisar conjuntos de dados
-
Aprender a identificar grupos, tendências e estruturas ocultas nos dados
-
Desenvolver a capacidade de interpretar os resultados e de escolher métodos adequados às questões de análise de dados
-
Analista de dados: recolha, tratamento e análise de dados para identificar tendências e facilitar a tomada de decisão.
-
Data scientist: conceção e aplicação de métodos estatísticos e de algoritmos de aprendizagem automática para extrair informações relevantes.
-
Engenheiro de machine learning: desenvolvimento e otimização de modelos de aprendizagem automática adaptados às necessidades das organizações.
-
Analista em inteligência artificial: estudo dos dados e utilização de métodos algorítmicos para resolver problemas complexos.
-
Consultor em data science: apoio às empresas na escolha e aplicação de métodos de análise de dados.
-
Especialista em segmentação de dados: identificação de grupos homogéneos com recurso a algoritmos de agrupamento.
-
Analista em deteção de anomalias: identificação de comportamentos invulgares ou de dados atípicos em diferentes conjuntos de dados.
-
Programador Python orientado para dados: criação de scripts e ferramentas para preparar, analisar e explorar dados.
-
Analista de estudos estatísticos: exploração de conjuntos de dados e interpretação dos resultados para responder a questões específicas.
Acessibilidade

Se está numa situação de deficiência e pretende frequentar uma formação connosco, este e-mail é-lhe dedicado: contact@datagoz.com . Para qualquer outra situação, não hesite em contactar-nos para avaliarmos como garantir uma experiência de aprendizagem.
Como financio a minha formação?
Certificado de conclusão: no final deste curso, é-lhe emitido um certificado de conclusão DATAGOZ, nominativo e verificável online.
A equipa DATAGOZ deseja-lhe uma boa formação!
6 capítulos, 54 aulas
- 2. Aprendizagem não supervisionadaaberto
- 2. Determinar o número ótimo de gruposaberto
- 2. Agrupar pontos a duas dimensõesaberto
- 2. Analisar os resultados do agrupamentoaberto
- 2. Medir a qualidade dos grupos obtidosaberto
- 2. Escolher o número de grupos para as sementesaberto
- 2. Avaliar os grupos formados a partir das sementesaberto
- 2. Preparar as variáveis para obter melhores agrupamentosaberto
- 2. Padronizar os dados de peixes antes do agrupamentoaberto
- 2. Identificar grupos entre os peixesaberto
- 2. Classificar as ações em grupos com K-meansaberto
- 2. Identificar as ações com evoluções semelhantesaberto
- 3. Visualizar as estruturas hierárquicas dos dadosassinantes
- 3. Determinar o número de fusões necessáriasassinantes
- 3. Agrupar os dados sobre os cereais por classificação hierárquicaassinantes
- 3. Analisar as relações hierárquicas entre as açõesassinantes
- 3. Atribuir rótulos aos grupos resultantes do clustering hierárquicoassinantes
- 3. Identificar os grupos de dados mais próximosassinantes
- 3. Comparar os agrupamentos hierárquicos segundo os métodos de ligaçãoassinantes
- 3. Estudar os agrupamentos em diferentes níveis da hierarquiaassinantes
- 3. Extrair os rótulos dos grupos formadosassinantes
- 3. Projetar os dados em duas dimensões com t-SNEassinantes
- 3. Visualizar os dados sobre os cereais com t-SNEassinantes
- 3. Mapear as semelhanças entre as ações com t-SNEassinantes
- 4. Visualizar o funcionamento da PCAassinantes
- 4. Identificar as correlações naturais entre os dadosassinantes
- 4. Descorrelacionar as medições das sementes graças à PCAassinantes
- 4. Identificar as componentes principaisassinantes
- 4. Determinar a dimensão intrínseca dos dadosassinantes
- 4. Analisar o papel da primeira componente principalassinantes
- 4. Estudar a variância explicada pelas componentes da PCAassinantes
- 4. Estimar a dimensão intrínseca dos dados sobre os peixesassinantes
- 4. Reduzir o número de dimensões com a PCAassinantes
- 4. Simplificar as medições dos peixes graças à redução dimensionalassinantes
- 4. Representar as palavras com as pontuações TF-IDFassinantes
- 4. Agrupar os artigos da Wikipédia, primeira parteassinantes
- 4. Prosseguir o agrupamento dos artigos da Wikipédia, segunda parteassinantes
- 5. Descobrir a fatoração de matrizes não negativa (NMF)assinantes
- 5. Identificar os dados compostos por valores não negativosassinantes
- 5. Aplicar a NMF aos artigos da Wikipédiaassinantes
- 5. Extrair características dos artigos da Wikipédia com a NMFassinantes
- 5. Reconstruir os dados a partir dos componentes da NMFassinantes
- 5. Decompor os dados em elementos interpretáveis graças à NMFassinantes
- 5. Identificar os temas dos documentos com a NMFassinantes
- 5. Explorar o conjunto de dados dos dígitos representados por LEDsassinantes
- 5. Extrair os componentes das imagens com a NMFassinantes
- 5. Compreender por que a ACP não permite identificar partes distintasassinantes
- 5. Criar sistemas de recomendação com a NMFassinantes
- 5. Encontrar artigos semelhantes ao de Cristiano Ronaldoassinantes
- 5. Recomendar artistas musicais, parte 1assinantes
- 5. Melhorar as recomendações de artistas musicais, parte 2assinantes
- 5. Balanço dos métodos de descoberta de características interpretáveisassinantes
Tudo o que acompanha as lições
Quanto tempo, de acordo com a sua disponibilidade
O que você obtém no final
Quando o curso termina, o certificado é emitido em seu nome. O código permite a um recrutador verificá-lo em poucos segundos.
Não é um diploma nem uma certificação profissional; é a prova verificável de que você frequentou e concluiu este curso.
Quem escreve este curso
Uma pedagogia clara e aplicada, com exemplos concretos para aprender de forma eficaz.
Antes de começar
Comece este curso hoje
13 lições abertas, sem cartão bancário. Verás o nível e o tom antes de decidir.