Analytics | Data Science com Python em Azure
MADEVP100
Online
Presencial
21:00 H
Próximas Datas
Introdução
A ciência de dados converte dados em informação/insights aplicando técnicas da inteligência artificial e de “machine learning”. Este campo tem recebido muita atenção ultimamente, resultando numa série de técnicas possíveis para resolver problemas. Nesta formação será gradualmente aprofundado o uso do Python e do “stack” do Azure para aplicar “machine learning” aos dados da organização.
Público Alvo
Este curso tem como destinatários programadores e analistas de dados que pretendem recorrer ao “stack” do Azure para aplicar técnicas de “machine learning” a dados.
Quando Completar o curso
Os participantes deverão estar familiarizados com técnicas de utilização de Pyhton no sentido de explorar dados e “insights” com recurso ao Azure e a “machine learning”.
Pré-Requisitos
Os participantes devem ter conhecimentos gerais de arquitetura de gestão de dados e alguma experiência com inteligência de negócios ou análise de dados no geral.
Exames para Certificações
(não existem exames)
Conteúdos em detalhe
Introdução ao “machine learning”
Antes que o ML possa ser aplicado os seus principais conceitos devem ser discutidos.
Aprendizagem supervisionada versus não supervisionada
Metodologia de “machine learning”
Preparação de dados
Classificação, regressão e agrupamento
Avaliação de modelo
Serviços cognitivos
ML automatizado nos serviços do Azure ML
Trabalhar com o Azure ML Designer
Ferramentas para “machine learning” no Azure
Nesta secção veremos as diferentes ferramentas disponíveis para o “machine learning” no Microsoft Azure.
Visão geral do “machine learning” no Azure
Modelos pré-treinados
Aprendizagem por transferência
Abordagens Gráficas
Abordagens de codificação
Primeiros passos com Python
Serão abordados neste módulo os fundamentos do Python.
Apresentação da linguagem de programação Python
Ambientes Python
Desenvolvimento interativo com notebooks Azure
Variáveis e objetos
Estruturas de dados comuns: listas, tuplos, conjuntos e dicionários
Funções
Criação e uso de classes
Introdução ao Azure Machine Learning
O “machine learning” numa máquina local para um pequeno conjunto de dados é possível, contudo a sua execução em conjuntos de dados maiores ou em técnicas que consomem mais CPU pode tornar-se um desafio. Um outro problema é implantar um modelo: como podemos usar facilmente o modelo resultante noutros aplicativos? O Azure Machine Learning ajuda a responder a estas perguntas. Neste capítulo, são abordados os princípios básicos do Azure Machine Learning. Discutiremos os componentes e a arquitetura, criaremos e ligaremos a um espaço de trabalho com Python e veremos como criar recursos de computação.
Porquê Azure Machine Learning?
Componentes e arquitetura do Azure Machine Learning
Criar um espaço de trabalho do Azure Machine Learning
“Compute” configuração
Manipulações de dados com “Pandas”
Processamento de dados com SciPy
Em ciência de dados é crucial lidar com tabelas: carregar, manipular, verificacar qualidade de dados, etc. os dataframes podem ajudar e neste módulo são inspecionados os dois pacotes Python mais importantes para manipulação de dados: Numpy e Pandas.
Python numérico: Numpy
Estruturas de dados numpy
Pandas DataFrames
Carregando dados com pandas
Manipulações de dados com Pandas
“Machine learning” com scikit-learn
Muitos problemas de negócios podem ser resolvidos por técnicas básicas de “machine learning”. Neste módulo, as abordagens de “machine learning” mais comuns, como regressão linear e florestas aleatórias, são implementadas, bem como a inspeção de modelo.
Pré-processamento de dados específicos de “machine learning”: normalização, padronização, codificação one-hot
Classificação usando árvores de decisão, regressão logística e máquinas de vetores de suporte
Ajuste do modelo: trabalhando com hiper-parâmetros
Construção de modelos de regressão com regressão linear, SVM e redes neurais
Aprendizagem não supervisionada: Clustering
Treino e implantação de modelos no Azure Machine Learning
Neste capítulo, continuaremos com o Azure Machine Learning. Como o essencial foi abordado, podemos explorar a parte do “machine learning”. Veremos como criar testes nos quais podemos registar os resultados de diferentes tentativas de treino de um modelo. Veremos como treinar modelos usando diferentes cálculos e pipelines. Depois de avaliar os diferentes modelos, o melhor modelo pode ser implantado como um serviço da web.
Configurar computações e datastores
Criação e consulta de testes
Criação e registo de imagens
Implantar imagens como serviços da web
Introdução ao Deep Learning
De todas as técnicas de “machine learning”, há uma que se torna popular para problemas mais desafiadores: várias camadas de redes neurais, mais conhecidas como “deep learning”. Para problemas como reconhecimento de imagem, compreensão de fala, etc., este é o caminho a percorrer. Mas, de um ponto de vista matemático, esta técnica é muito desafiadora. Neste módulo, são apresentados os fundamentos do “deep learning”.
De redes neurais ao aprendizado profundo
Visão geral das estruturas de aprendizado profundo
Primeiros passos com a estrutura Keras