When you enroll through our links, we may earn a small commission—at no extra cost to you. This helps keep our platform free and inspires us to add more value.
Estatística para Ciência de Dados e Machine Learning
Aprenda na teoria e na prática tudo o que você precisa saber sobre estatística em Data Science utilizando o Python!
This Course Includes
udemy
4.7 (1.2K reviews )
20h 42m 
english
Online - Self Paced
professional certificate
Udemy
About Estatística para Ciência de Dados e Machine Learning
A Estatística proporciona os meios e as ferramentas para encontrar estrutura em dados com o objetivo de fornecer insights sobre as informações mais profundas ali escondidas. Medidas estatísticas como média, mediana, moda, desvio padrão e distribuição servem para descrever o comportamento das variáveis de uma base de dados, assim como identificar anomalias. Em outras palavras, é preciso conhecer a “matéria-prima” com que se está trabalhando por meio de características que nos servem de resumo sobre sua natureza. Esse é o objetivo da Estatística! Se os algoritmos de machine learning são as ferramentas que os cientistas de dados operam, a Estatística é o conhecimento sobre como e porquê essas ferramentas funcionam, permitindo escolher as ferramentas mais adequadas para tirar o melhor proveito delas. Existe um ditado atribuído a Josh Wills, ex-funcionário do Google e do Cloudera e atualmente presidente de Engenharia de Dados do Slack: _um cientista de dados é um programador melhor do que qualquer estatístico e um estatístico melhor do que qualquer programador_.
Sem um bom conhecimento estatístico, o cientista de dados é como um soldado cego com um arsenal poderoso
. O domínio estatístico torna seu trabalho mais direcionado, eficiente e robusto, e permite uma utilização mais ativa dos modelos de machine learning já estabelecidos, uma vez que ele tem o conhecimento necessário para investigar as bases teóricas que fundamentam esses modelos. Baseado nisso, neste curso você terá uma visão
teórica e principalmente prática passo a passo sobre os principais conceitos de Estatística, bem como sua ligação com a Ciência de Dados e a Aprendizagem de Máquina
(Machine Learning). Você aprenderá a teoria, os cálculos passo a passo, implementará os cálculos utilizando a linguagem de programação
Python
e também utilizará bibliotecas prontas! O diferencial deste curso é que
além de aprender estatística, você aprenderá como utilizá-la em aprendizagem de máquina
. O conteúdo está dividido em nove partes: (i) população e amostra, (ii) dados relativos e absolutos, (iii) distribuição de frequência, (iv) medidas de posição e dispersão, (v) distribuições estatísticas, (vi) probabilidade, (vii) intervalos de confiança e testes de hipóteses, (viii) correlação e regressão e (ix) visualização. Confira abaixo alguns dos tópicos que você aprenderá, integrando os conceitos estatísticos com aprendizagem de máquina e ciência de dados:
Uso de amostragem para trabalhar com dados desbalanceados em classificação ou regressão (undersampling e oversampling)
Cálculos de distribuição de frequência para aplicação de regras de associação
Avaliação de algoritmos de classificação utilizando medidas de posição e dispersão
Seleção de atributos utilizando cálculos de variância
Preenchimento de valores faltantes em bases de dados utilizando medidas de posição
Cálculo de padronização (z-score) aplicado em machine learning
Tratamento de dados enviesados em machine learning
Uso de distribuições estatísticas para inicialização de pesos em redes neurais artificiais
Algoritmo Naïve Bayes utilizando as distribuições de Bernoulli e Multinomial
Previsões com probabilidade em machine learning
Uso das técnicas ANOVA e Qui Quadrado para seleção de atributos em bases de dados
Testes de hipóteses paramétricos e não paramétricos, aplicados na avaliação de algoritmos
Previsão do preço de casas utilizando regressão linear
Criação de gráficos e mapas para ajudar na interpretação de dados Este é o curso ideal caso você queira aumentar significativamente seus conhecimentos em Estatística, Ciência de Dados e Machine Learning,
mais de 160 aulas com exercícios resolvidos
! O curso é para todos os níveis de conhecimento, ou seja, se você é iniciante ou de nível avançado conseguirá aproveitar o conteúdo.
What You Will Learn?
- Os principais conceitos e cálculos estatísticos utilizados em Ciência de Dados e Machine Learning .
- Os cálculos de estatística e probabilidade implementados passo a passo na linguagem Python .
- Como a Estatística está relacionada com a Ciência de Dados e Machine Learning .
- Implementar técnicas de amostragem, como por exemplo: amostragem simples, sistemática, estratificada, grupos e reservatório .
- Aprender a teoria e a prática sobre os principais algoritmos de Machine Learning, bem como sua ligação com a Estatística .
- Utilizar técnicas de amostragem para lidar com dados desbalanceados em Machine Learning .
- Calcular percentuais, índices, coeficientes e taxas .
- Aprender passo a passo como calcular distribuições de frequência e gerar histogramas para visualização .
- Calcular medidas de posição, como por exemplo: média, moda, mediana, quartis e percentis .
- Calcular medidas de dispersão de dados, como por exemplo: amplitude, variância, desvio padrão e coeficiente de variação .
- Como utilizar as medidas de posição e dispersão para avaliar algoritmos de Machine Learning .
- Como utilizar medidas de posição para tratar valores faltantes em bases de dados .
- Calcular a variância para escolher os melhores atributos em uma base de dados .
- Entender a principais distribuições estatísticas e de probabilidade, como por exemplo: distribuição normal, gama, exponencial, uniforme, Bernoulli, binomial e de Poisson .
- Como utilizar a estatística inferencial para cálculos de probabilidade .
- Calcular intervalos de confiança .
- Realizar testes de hipóteses, implementando os cálculos passo a passo .
- Realizar testes de hipóteses com ANOVA, Qui Quadrado, Wilcoxon, Friedman e Nemenyi .
- Calcular correlação entre variáveis .
- Criar modelos de regressão linear para previsão de números .
- Criar gráficos e mapas para facilitar a interpretação dos dados Show moreShow less.