UNIUBE · TECNOLOGIA DA INFORMAÇÃO

Machine Learningda teoria ao experimento

Um percurso de aprendizagem para compreender dados, modelos supervisionados e redes neurais acompanhando fórmulas, algoritmos, gráficos e laboratórios interativos.

Material preparado pelo Professor Mestre Mateus de Sousa Valente, professor dos cursos de TI da Uniube.

Iniciar pelo módulo 1 Conhecer os módulos Abrir laboratórios
6 módulos de aprendizagem 61 conteúdos conectados Teoria e prática no navegador
perceptron.py

perceptron.predict()

Diagrama de um Perceptron Duas entradas e um bias são multiplicados pelos pesos, somados, processados por uma função degrau e transformados em uma saída binária. ENTRADAS NEURÔNIO ATIVAÇÃO SAÍDA x₁ x₂ +1 w₁ w₂ bias Σ u = w·x + b f(u) degrau ŷ 0 ou 1
previsãoŷ = 1 · classe positivau: 1,42 · limiar: 0
status: modelo treinadoEntenda, configure, treine e avalie.

TRILHA DE APRENDIZAGEM

Módulos do curso

Os módulos formam uma sequência sugerida, mas cada trilha também pode ser consultada separadamente durante os estudos.

0110 conteúdos

Fundamentos de Machine Learning

Aprendizagem com dados, variáveis, treino, validação, generalização, convergência, viés e variância.

conceitos · dados · treino · generalização Abrir módulo
027 conteúdos

Preparação dos dados

Coleta, qualidade, valores ausentes, categorias, normalização, padronização e engenharia de atributos.

limpeza · encoding · escala · atributos Abrir módulo
037 famílias de modelos

Aprendizagem supervisionada

Regressão, árvores de decisão, Random Forest, k-NN, SVM e LVQ aplicados a dados rotulados.

regressão · classificação · ensembles Abrir módulo
04Arquiteturas e laboratórios

Redes neurais

Perceptron, MLP, ADALINE, MADALINE, RBF, Transformers, GANs e CNNs com treinamento visual.

neurônios · backpropagation · deep learning Abrir módulo
055 métricas

Avaliação de modelos

Matriz de confusão, acurácia, precisão, recall e F1-score para interpretar acertos e erros.

matriz · acurácia · precisão · recall · F1 Abrir módulo
067 desafios

Atividades integradoras

Uma sequência prática que conecta Redes Neurais, Preparação de Dados, Segurança e Aprendizagem Não Supervisionada.

implementar · testar · medir · justificar Abrir módulo
074 conteúdos

Aprendizagem Não Supervisionada

Agrupamento, redução de dimensionalidade e regras de associação com K-Means, PCA e Apriori.

clustering · pca · apriori Abrir módulo

APRENDIZAGEM INTERATIVA

Laboratórios em destaque

Altere parâmetros, acompanhe cálculos e observe como cada decisão modifica o comportamento do modelo.

Rede neuralMLP configurávelEntradas, camadas, neurônios e saídas.→ Dados tabularesÁrvore de decisãoGini, divisões e fronteiras.→ Deep LearningMini TransformerTokens, atenção e previsão.→ Visão computacionalMini CNNConvolução, pooling e classificação.→

COMO ESTUDAR

Conceito, cálculo e experimento

Cada conteúdo aproxima a explicação matemática do comportamento que pode ser observado no navegador.

01

Entenda

Comece pelo problema, pelas variáveis e pela notação usada pelo modelo.

02

Calcule

Acompanhe previsões, erros, gradientes e atualizações passo a passo.

03

Experimente

Modifique entradas, treine modelos e interprete curvas, fronteiras e métricas.

ATIVIDADES INTEGRADORAS

Conecte o estudo a uma entrega completa.

Implemente redes neurais, proteja aplicações web, prepare datasets e segmente perfis no aprendizado não supervisionado.

Abrir desafios 01–07