Customer Relationship Management

Objectivos

Este curso será uma introdução às técnicas de aprendizagem automática e como usá-las para ajudar a resolver problemas de negócio. Este curso destina-se a estudantes de gestão, economia e finanças interessados em aprender métodos modernos, escaláveis e computacionais de análise de dados também conhecidos como machine learning, e aplicá-los a problemas empresariais e sociais. Este é um curso prático onde se espera que os alunos utilizem python para implementar soluções para vários problemas de negócio. A experiência prévia com python é necessária, e os estudantes devem estar familiarizados com bibliotecas básicas de ciência de dados python, tais como dorpy, pandas, matplotlib, seaborn. Outros conhecimentos de programação, como R, Matlab, Java, etc, seriam altamente preferidos.


Caracterização geral

Código

2487

Créditos

7

Professor responsável

Qiwei Han

Horas

Semanais - A disponibilizar brevemente

Totais - A disponibilizar brevemente

Idioma de ensino

Inglês

Pré-requisitos

A disponibilizar brevemente

Bibliografia

Este curso não requer nenhum livro, porque a ciência dos dados é um campo em rápida mudança e nenhum livro pode cobrir todos os materiais que vamos ensinar no curso. No entanto, recomenda-se o seguinte livro para a sua referência:
Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking Machine Learning: The Art and Science of Algorithms that Make Sense of Data
Python para análise de dados: Data Wrangling com Pandas, Numpy e IPython 2ª Edição Python Data Science Handbook Ferramentas Essenciais para Trabalhar com Dados
Aprendizagem prática de máquinas com scikit-learn, Keras e Tensorflow


Método de ensino

Os alunos são obrigados a trazer portáteis próprios para exercícios e quizzes nas aulas. Este curso adota uma cultura de aprendizagem por fazer que permite aos alunos implementar o pipeline de aprendizagem automática através da programação em Python. A maioria do material de classe estará nos cadernos jupyter para facilitar práticas reprodutíveis.

Método de avaliação

A avaliação global do desempenho consiste em 4 partes
Participação de turma através de 6 quizzes (10%)
4 atribuição tri-semanal (20%)
Projeto de curso (30%)
Exame final (40%)


Conteúdo

Visão geral do processo de aprendizagem automática
Compreender problema
Mapa para formulação de aprendizagem automática
Conceitos de aprendizagem automática
Desenvolvimento de gasodutos de aprendizagem automática de ponta a ponta
Configurar o problema
Desenvolvimento de Recursos
Modelação
Avaliação
Implantação
Métodos de Aprendizagem automática
Supervisionado
Regressão Logística
KNN
Árvores
Florestas Aleatórias
Métodos conjuntos
Sem supervisão
Agrupamento
Redução da dimensionalidade
Aprendizagem Profunda
Redes neuronais
Redes neuronais convolucional
Redes neuronais recorrentes
Outros avanços no campo
Aplicações empresariais
Sistemas de recomendação
Modelo de elevação
Criação de recursos, engenharia de recursos e seleção de recursos
Interpretação e transparência
Ética, Justiça e Preconceito