Plano de estudos em machine learning com conteúdos em português.

Créditos:

Essa awesome foi inspirado em machine-learning-for-software-engineers. A diferença é aqui aqui você encontrará conteúdos em português para seus estudos.

Se você gostou deste projeto, por favor dê uma estrela ★ e ajude a divulgar o material. ;)

Compartilhe no Twitter 🐦

O que é?

Este é um plano de estudos com conteúdos em português para aqueles que não são conhecedores da língua inglesa.

Por favor, sinta-se livre para fazer qualquer contribuição que você achar que pode o tornar melhor.

---

Alfinetada/lembrete

Fulano(a), sei que não é fácil aprender inglês, mas só queria lembrar que você está perdendo MUITO conteúdo em não focar nessa língua, você perde muito conteúdo e os assuntos que não consegue estudar em inglês, muito provavelmente são assuntos atrasados, se você estudasse tudo isso em inglês veria o quádruplo de contéudo. Não quero que você pare de estudar machine learning (programação em geral na verdade), mas olha, começe a se cobrar um pouco mais nese ponto 😉

Agora vamos estudar machine learning até o talo! 👊

Tabela de conteúdo ☑️

• O que é? ⁉️
• Por que usar? ⁉️
• Como usar? ⁉️
• Não sinta que não é inteligente o bastante 💩
• Assuntos introdutórios 👶
  • classificação vs predição
• Machine learning superviosionado
  • Árvore de decisão
  • KNN
  • Naive bayes
  • Support vector machine(SVM)
  • Regressão linear
  • Perceptron
  • Regressão logística
  • Função de custo
  • Gradient Descent
  • Multilayer perceptron
  • Redes neurais convolucionais]
  • Adaboost
  • Rede neurais recorrentes
• Machine learning não superviosionado

---

Por que usar?

Muito das pessoas que querem entra no mundo de machine learning começam pelo mais avançado que há, redes neurais com algum framwork(tensorflow, CNTK, pytorch e etc), mas antes de chegar em redes neurais é importante que você passe por outros assuntos mais básicos para então chegar a desenvolver uma rede neural de fato, ou pelo menos entender o que você está fazendo.

Aqui você encontrará um lista já pronta de assunos a serem estudados, tudo na ordem correta, assim você não terá de gastar tempo aprendendo a aprender machine learning.

• Posso aprender e arrumar um emprego em Machine Learning sem estudar mestrado e Phd em Ciência da Computação?

  • "Você pode, mas isto é muito mais difícil do que quando eu entrei no campo." Drac Smith

• Como eu consigo um emprego em Machine Learning como um programador de software que auto-estudou Machine Learning, mas nunca teve a chance de usar isso no trabalho?

  • "Estou contratando especialistas de Machine Learning para minha equipe e seu MOOC não vai conseguir para você o trabalho (há melhores notícias abaixo). Na verdade, muitas pessoas com um mestrado em Machine Learning não terão o emprego porque eles (e a maioria que tomaram MOOC) não têm uma compreensão profunda que vai me ajudar a resolver os meus problemas." Ross C. Taylor

• Que habilidades são necessárias para trabalhos de Machine Learning?

  • "Primeiramente, você precisa ter um decente background de Ciência da Computação/Matemática. ML é um tópico avançado, então a maioria dos livros didáticos assumem que você tem esse background. Por segundo, Machine Learning é um tema muito geral com várias sub especialidades que exigem habilidades únicas. Você pode querer procurar o currículo de um programa de MS em Machine Learning para ver o curso, o currículo e livro didático." Uri
  • "Estatística, propabilidade, computação distribuída e estatística." Hydrangea

Eu me encontro em tempos difíceis.

AFAIK, Há dois lados para Machine Learning:

• Prática de Machine Learning: Isto é sobre bancos de dados de consultas, limpeza de dados, escrevendo scripts para transformar dados e colagem de algoritmo e bibliotecas juntos e escrever código personalizado para espremer respostas confiáveis de dados para satisfazer as perguntas difíceis e mal definidas. É a porcaria da realidade.
• Teoria de Machine Learning: Isto é sobre matemática e abstração e cenários idealizados e limites e beleza e informando o que é possível. É muito mais puro e mais limpo e removido da confusão da realidade.

Eu acho que a melhor maneira para metodologia centrada na prática é algo como 'prática - aprendizagem - prática', que significa onde estudantes primeiro vêm com alguns projetos existentes com problemas e soluções (prática) para se familiarizar com os métodos tradicionais na área e talvez também com sua metodologia.Depois de praticar com algumas experiências elementares, podem ir para os livros e estudar a teoria subjacente, que serve para guiar a sua futura prática avançada e reforçará a sua caixa de ferramentas de solução de problemas práticos. Estudar a teoria também melhora ainda mais sua compreensão sobre as experiências elementares e irá ajudá-los a adquirir experiências avançadas mais rapidamente.

É um plano longo. Isso vai demorar anos para mim. Se você já está familiarizado com bastante disso já, você levará muito menos tempo.

Como usar?

Tudo abaixo é uma estrutura de tópicos, e você deve enfrentar os itens em ordem de cima para baixo. Não precisa ver todos os links, mas você tem que entender cada um dos tópicos.

Não sinta que não é inteligente o bastante

Para aprender machine learning, você terá de aprender matemática, mas não se preocupe, não é tão difícil quanto parece, caso você discorde de mim, leia esse artigo

Assuntos introdutórios

• O que é machine learning?
• Tipos de dados do seu dataset
• Tipos de aprendizagem
• Uma breve introdução ao Machine Learning
• As 10 Principais Arquiteturas de Redes Neurais
• Machine Learning (Aula 3) - Aprendizado Supervisionado e não Supervisionado

classificação vs predição

• Machine Learning (Aula 7) - Modelos de Predição
• Machine Learning em Português (Aula 8) - Modelo de Classificação de Íris Parte 1

Machine Learning Supervisionado

Árvore de Decisão

• Árvores de Decisão
• ÁRVORE DE DECISÃO. EXEMPLO COMPLETO
• Um tutorial completo sobre modelagem baseada em árvores de decisão (códigos R e Python)
• Implementação em Python

KNN - K-Vizinhos Mais Próximos (K-Nearest Neighbors)

• KNN (K-Nearest Neighbors) #1
• KNN (K-Nearest Neighbors) #2
• KNN #3 — Codando nosso classificador de câncer de mama
• Machine Learning em Português (Aula 11) - Explicando K-NN (Regressão e Classificação)
• Machine Learning em Português (Aula 15) - K-Nearest Neighbors (Regressão - Parte 2)
• Implementação em Python

Naive Bayes

• Teorema de Bayes
• Teorema de Bayes - Aula 1: Características (Probabilidade a Priori, Condicional e Conjunta)
• Teorema de Bayes - Aula 2: a Posteriori
• Teorema de Bayes (Aula 3) - Usando o teorema para calcular sorteio de uma roleta
• Teorema de Bayes (Aula 4) - Explicando o cálculo do vídeo anterior
• Teorema de Bayes (Aula 5) - Caminho pela raridade do item no Diablo (Parte 1)
• Teorema de Bayes (Aula 6) - Caminho pela raridade do item (Parte 2)
• Teorema de Bayes (Aula 7) Vídeo Correção - Nomenclaturas
• Teorema de Bayes (Aula 8) - Bayes Sequencial
• Naive Bayes | Carlos Baldove | Papo Reto
• Classificador Naive bayes em 50 linhas

SVM - Máquina de Vetores de Suporte (Support Vector Machine)

• Uma Introdução às Support Vector Machines
• Explicar o algoritmo SVR
• Máquina de Vetores de Suporte - SVM
• SVM - Support Vector Machine Linear, Não Linear - Teoria

Regressão Linear

• Regressão linear simples
• Regressão Linear (Parte 1) - Machine Learning em Português (Aula 12)
• Regressão Linear (Parte 2) - Machine Learning (Aula 13)
• Machine Learning (Aula 21) - Regressão Linear no R
• Implementação em Python

Regressão Multivariada

• Implementação em Python

Regressão Polinomial

• Implementação em Python

Perceptron

• Redes neurais roots #1 — introdução
• Redes neurais roots #2— Treinamento
• Redes neurais roots #3 — Show me the code
• Aula - Perceptron e Adaline
• Máquinas de vetores-suporte
• Máquina de vetores de suporte(código)

Regressão Logística

• O que é uma regressão logística?
• EB - Aula 6 Teórica - Regressão logística
• EB - Aula 6 prática - Regressão Logística
• Você sobreviveria no Titanic? Um exemplo de Regressão Logística
• Regressão Logística na Eleição

Função de Custo

• Função de Custo (Regressão Linear) - Machine Learning em Português (Aula 14)
• Calculando a Função de Custo (Regressão Linear) - Machine Learning (Aula 15)
• Valor Mínimo da Função de Custo (Regressão Linear) - Machine Learning (Aula 16)

Gradiente Descendente (Gradient Descent)

• Gradient Descent (Regressão Linear - Parte 1) - Machine Learning (Aula 17)
• Calculando Gradient Descent Parte 1 (Regressão Linear) - Machine Learning (Aula 18)
• Como verificar o Gradient Descent (Regressão Linear) - Machine Learning (Aula 20)

Multilayer Perceptron

• Redes Neurais, Perceptron Multicamadas e o Algoritmo Backpropagation

Redes Neurais Convolucionais

• Redes Neurais profundas Convolucionais - Parte I - Fundamentos

• Redes Neurais profundas Convolucionais - Parte II - Arquiteturas Modernas

• Parametrização de redes neurais profundas

• Extra: Arquiteturas de redes neurais profundas para detecção de objetos

Adaboost

• Estudo do algoritmo adaboost de aprendizagem de máquina aplicado a sensores e sistemas embarcados
• Implementação em Python

Rede Neurais Recorrentes

• Redes Neurais Recorrentes (RNN) - LSTM, GRU, Seq2seq e Mecanismos de atenção
• Redes Neurais Recorrentes(tem código)
• Keras - Usando redes neurais LSTM para classificar sentimentos

Machine Learning Não-Supervisionado

PCA - Análise de Componentes Principais (Principal Component Analysis)

• Implementação em Python

LDA - Análise Discriminante Linear (Linear Discriminant Analysis)

• Implementação em Python

K-Médias (K-Means)

• Implementação em Python