Combo.Cursos.de.Machine.Learning.com.R.Modulos.1.e.2

Creation Time	Nov. 19, 2024, 5:48 a.m.
Last Access Time	Feb. 18, 2025, 3:34 a.m.
File Size	12.7 GB
Keywords	1 e de Machine Cursos Modulos R Learning Combo 2 com
Total Requests	17
Total Files	212
Magnet Link	Please wait ...
	Download (Magnet Link) Play (Watch Online)

6. Módulo 1 - Regressão Logística/2. Regressão logística (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. RegLogisticaTeoria.mp4 1.1 GB
15. Módulo 2 - PCA/1. Principal Component Analysis - PCA (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. PCAteoria.mp4 1.1 GB
18. Módulo 2 - AdaBoost/1. AdaBoost (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. ADAboostTeoria.mp4 1.0 GB
16. Módulo 2 - Random Forest/2. RandomForest (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. RandomForestTeoria.mp4 531.6 MB
8. Módulo 1 - KNN/1. KNN (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. KNN teoria.mp4 449.3 MB
20. Módulo 2 - Bagging/1. Bagging (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. BaggingTeoria.mp4 445.5 MB
1. Módulo 1 - Conceitos Básicos/3. Viés e Variância/1. Viés e Variância.mp4 443.2 MB
17. Módulo 2 - ExtraTrees/1. ExtraTrees (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. ETteoria.mp4 372.5 MB
1. Módulo 1 - Conceitos Básicos/4. Visão geral dos algoritmos de machine learning/1. Visão geral algoritmos ML.mp4 370.5 MB
2. Módulo 1 - Regressão Linear/1. Regressão linear (conceito + matemática o que o algoritmo faz debaixo dos panos)/1. A matemática do Gradiente Descendente & Regressão Linear (machine learning).mp4 364.4 MB
12. Módulo 1 - Testando seus conhecimentos/3. Solução do exercício prático final - Parte 2/1. 10_2_DesafioSol_2.mp4 312.0 MB
14. Módulo 2 - Aprendizado não supervisionado/3. Clustering K Means (encontrando o número ideal de clusters)/1. KmeansNumClusters.mp4 307.0 MB
10. Módulo 1 - Decision Trees/3. Decision Trees evitando overfitting/1. DToverfitting.mp4 292.0 MB
13. Módulo 2 - Dados missing com Regressão/1. Substituindo dados missing com um modelo de regressão (Teoria)/1. MissingRegressaoTeoria.mp4 261.4 MB
4. Módulo 1 - Outros modelos de regressão linear/3. Regularização L1, L2 e regressão Lasso/1. Regularização L1 L2.mp4 253.4 MB
3. Módulo 1 - Pré-processamento/3. Feature selection correlação (conceito)/1. NatiCorrelacao.mp4 226.7 MB
1. Módulo 1 - Conceitos Básicos/1. Como estudar esse curso/1. AberturaCurso.mp4 215.7 MB
3. Módulo 1 - Pré-processamento/1. Pré-processamento dados missing/1. Dados missing Nati_Pronto.mp4 194.9 MB
22. Módulo 2 - Testando seus conhecimentos/2. Solução do exercício prático final/1. ML_2_10_DESAFIOsol.mp4 174.6 MB
6. Módulo 1 - Regressão Logística/3. Regressão logística (aplicação prática em R resolvendo um problema)/1. 5_1_RegLog.mp4 169.0 MB
14. Módulo 2 - Aprendizado não supervisionado/1. Aprendizado não supervisionado (Teoria)/1. SupervisionadoTeoria.mp4 147.4 MB
16. Módulo 2 - Random Forest/1. Métodos Ensemble (conceito)/1. MetodosEnsemble.mp4 139.8 MB
2. Módulo 1 - Regressão Linear/6. Regressão linear (solução exercício)/1. 1_RegLinExercSol.mp4 132.1 MB
7. Módulo 1 - Confusion matrix e normalização/3. Medição de desempenho ROCAUC (aplicação prática em R)/1. 6_2_Roc-Auc.mp4 131.2 MB
2. Módulo 1 - Regressão Linear/3. Regressão linear (aplicação prática em R resolvendo um problema – Parte 2)/1. 1_RegLin_2_ML_r.mp4 126.6 MB
9. Módulo 1 - Naive Bayes/1. Teorema de Bayes (conceito teórico)/1. Entenda o Teorema de Bayes (ótima explicação!).mp4 119.7 MB
15. Módulo 2 - PCA/2. Principal Component Analysis (aplicação prática em R)/1. ML_2_03_PCA.mp4 111.7 MB
16. Módulo 2 - Random Forest/5. RandomForest (solução do exercício - parte 1)/1. ML_2_04_RandomForestSol_1.mp4 106.3 MB
2. Módulo 1 - Regressão Linear/4. Regressão linear (aplicação prática em R resolvendo um problema – Parte 3)/1. 1_RegLin_3_ML_r.mp4 105.6 MB
4. Módulo 1 - Outros modelos de regressão linear/7. Comparando diferentes modelos em um único código/1. 3_4_RegLinFuncao.mp4 98.2 MB
12. Módulo 1 - Testando seus conhecimentos/2. Solução do exercício prático final - Parte 1/1. 10_1_DesafioSol_1.mp4 94.8 MB
4. Módulo 1 - Outros modelos de regressão linear/9. Escolha de um modelo de regressão (solução do exercício)/1. 3_5_SolExercElastic.mp4 93.5 MB
10. Módulo 1 - Decision Trees/6. Decision Trees Classifier (aplicação prática em R resolvendo um problema)/1. 8_1_DecisionTreeC.mp4 92.5 MB
2. Módulo 1 - Regressão Linear/2. Regressão linear (aplicação prática em R resolvendo um problema – Parte 1)/1. 1_RegLin_1_ML_R.mp4 91.1 MB
18. Módulo 2 - AdaBoost/2. AdaBoost (aplicação prática em R)/1. ML_2_06_AdaBoost.mp4 90.7 MB
3. Módulo 1 - Pré-processamento/2. Pré-processamento (solução do exercício)/1. 2_1_DadosMissingExerc.mp4 90.3 MB
10. Módulo 1 - Decision Trees/7. Decision Trees Classifier (ajustando os parâmetros)/1. 8_2_DecisionTreeCpar.mp4 87.4 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/4. O que é Overfitting e Underfitting (Introdução a Machine Learning - Aula 4).mp4 84.5 MB
7. Módulo 1 - Confusion matrix e normalização/1. Medição de desempenho Confusion Matrix (teoria e prática)/1. 6_1_ConfusionMatrix.mp4 84.1 MB
4. Módulo 1 - Outros modelos de regressão linear/2. Ridge regression (aplicação prática em R resolvendo um problema)/1. 3_1_Ridge.mp4 75.7 MB
6. Módulo 1 - Regressão Logística/4. Regressão logística (ajuste fino de parâmetros)/1. 5_2_RegLogAjuste.mp4 75.2 MB
17. Módulo 2 - ExtraTrees/2. ExtraTrees (aplicação prática em R)/1. ML_2_05_ExtraTrees.mp4 72.0 MB
10. Módulo 1 - Decision Trees/9. Decision Trees Regressor (ajustando os parâmetros)/1. 8_4_DecisionTreeRajus.mp4 70.9 MB
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/4. Busca de parâmetros em um modelo (aplicação prática em R)/1. 4_3_AjustesParametros.mp4 69.1 MB
16. Módulo 2 - Random Forest/6. RandomForest (solução do exercício - parte 2)/1. ML_2_04_RandomForestSol2.mp4 68.9 MB
19. Módulo 2 - GradientBoosting/6. GradientBoosting (solução do exercício - parte 2)/1. ML_2_07_GradientBoostingSol2.mp4 65.3 MB
14. Módulo 2 - Aprendizado não supervisionado/4. Clustering K Means (aplicação prática em R)/1. ML_2_02_Kmeans.mp4 65.0 MB
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/1. Pacote Caret (linguagem R)/1. 4_1_Caret.mp4 59.8 MB
9. Módulo 1 - Naive Bayes/4. Naive Bayes (aplicação prática em R resolvendo um problema)/1. NaiveBayes.mp4 58.8 MB
8. Módulo 1 - KNN/2. KNN (aplicação prática em R resolvendo um problema)/1. 7_1_Knn.mp4 57.6 MB
10. Módulo 1 - Decision Trees/11. Decision Trees (resolução do exercício)/1. 8_6_DecisionTreeSol.mp4 55.6 MB
16. Módulo 2 - Random Forest/4. RandomForest (apresentação do exercício)/1. ML_2_04_RandomForestExerc.mp4 54.5 MB
19. Módulo 2 - GradientBoosting/5. GradientBoosting (solução do exercício - parte 1)/1. ML_2_07_GradientBoostingSol1.mp4 53.0 MB
18. Módulo 2 - AdaBoost/3. AdaBoost (ajuste fino de parâmetros)/1. ML_2_06_AdaBoostAjuste.mp4 52.1 MB
2. Módulo 1 - Regressão Linear/7. Aula Bônus - Solução do exercício com Power BI/1. 1_10_Exercicio_Sol_5.mp4.mp4 50.0 MB
10. Módulo 1 - Decision Trees/8. Decision Trees Regressor (aplicação prática em R resolvendo um problema)/1. 8_3_DecisionTreeR.mp4 49.1 MB
11. Módulo 1 - Feature Selection/2. Feature selection qui-quadrado (aplicação prática em R)/1. 9_1_Qui-quadrado.mp4 48.9 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/11. Sua primeira aplicação de Machine Learning no Power BI.mp4 47.4 MB
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/3. Validação cruzada Kfold (aplicação prática em R)/1. 4_2_Kfold.mp4 44.8 MB
9. Módulo 1 - Naive Bayes/3. Suavização de Laplace/1. suavizacaoLaplace.mp4 44.4 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/5. Como criar seu primeiro Dashboard profissional (Power BI básico com Machine Learning - Aula 5).mp4 44.1 MB
17. Módulo 2 - ExtraTrees/4. ExtraTrees (solução do exercício)/1. ML_2_05_ExtraTreesSol.mp4 43.9 MB
21. Módulo 2 - Support Vector Machine (SVM)/5. SVM (solução do exercício)/1. ML_2_09_SVMsol.mp4 41.5 MB
21. Módulo 2 - Support Vector Machine (SVM)/3. SVM (aplicação prática em R)/1. ML_2_09_SVM.mp4 41.2 MB
4. Módulo 1 - Outros modelos de regressão linear/4. Lasso regression (aplicação prática em R resolvendo um problema)/1. 3_2_Lasso.mp4 39.9 MB
20. Módulo 2 - Bagging/4. Bagging (solução do exercício)/1. ML_2_08_BaggingSol.mp4 39.8 MB
17. Módulo 2 - ExtraTrees/3. ExtraTrees (apresentação do exercício)/1. ML_2_05_ExtraTreesExerc.mp4 39.8 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/2. O que é Machine Learning (Aprendizado de Máquina).mp4 36.9 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/1. O que é Inteligência Artificial.mp4 36.5 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/5. Etapas do Machine Learning (Resumo básico - aula 5).mp4 35.6 MB
3. Módulo 1 - Pré-processamento/4. Feature selection correlação (aplicação prática em R)/1. 2_2_Correlacao.mp4 34.2 MB
20. Módulo 2 - Bagging/2. Bagging (aplicação prática em R)/1. ML_2_08_Bagging.mp4 33.3 MB
2. Módulo 1 - Regressão Linear/5. Regressão linear (apresentação do exercício)/1. 1_RegLinExerc.mp4 32.9 MB
14. Módulo 2 - Aprendizado não supervisionado/5. Clustering K Means (Solução do Exercício)/1. ML_2_02_KmeansExerc.mp4 32.4 MB
4. Módulo 1 - Outros modelos de regressão linear/6. Elastic net (aplicação prática em R resolvendo um problema)/1. 3_3_ElasticNet.mp4 32.2 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/6. O que é Aprendizado Supervisionado x Não Supervisionado (Machine Learning - Aula 6).mp4 32.0 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/3. Dados de Treino e Teste (Introdução a Machine Learning - Aula 3).mp4 30.9 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/1. Curso Power BI Básico com Machine Learning (Aula 1).mp4 30.3 MB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/7. O que são problemas de Classificação e de Regressão (Machine Learning - Aula 7).mp4 29.6 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/9. Como utilizar um script R no Power Query (Power BI básico com Machine Learning - Aula 9).mp4 29.3 MB
16. Módulo 2 - Random Forest/3. RandomForest (aplicação prática em R)/1. ML_2_04_RandomForest.mp4 26.8 MB
20. Módulo 2 - Bagging/3. Bagging (apresentação do exercício)/1. ML_2_08_BaggingExerc.mp4 26.7 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/4. Como criar seu primeiro Dashboard básico (Power BI básico com Machine Learning - Aula 4).mp4 26.3 MB
6. Módulo 1 - Regressão Logística/6. Regressão logística (solução do exercício)/1. 5_4_RegLogExercSol.mp4 25.3 MB
7. Módulo 1 - Confusion matrix e normalização/4. Normalizando dados na linguagem R/1. 6_3_Normalizacao.mp4 25.1 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/10. Como utilizar Python no Power Query (Power BI básico com Machine Learning - Aula 10).mp4 22.2 MB
11. Módulo 1 - Feature Selection/4. Como acelerar o processamento de um algoritmo no seu computador/1. 9_3_N_Cores.mp4 18.2 MB
12. Módulo 1 - Testando seus conhecimentos/1. Apresentando o exercício prático final/1. 10_1_Desafio.mp4 17.2 MB
4. Módulo 1 - Outros modelos de regressão linear/8. Escolha de um modelo de regressão (apresentando o exercício)/1. Nati_ModeloDeReg.mp4 16.2 MB
6. Módulo 1 - Regressão Logística/5. Regressão logística (apresentação do exercício)/1. 5_3_RegLogExerc.mp4 16.1 MB
19. Módulo 2 - GradientBoosting/4. GradientBoosting (apresentação do exercício)/1. ML_2_07_GradientBoostingExer.mp4 16.0 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/7. Como editar uma base de dados no Power Query (Power BI básico com Machine Learning - Aula 7).mp4 14.8 MB
19. Módulo 2 - GradientBoosting/3. GradientBoosting (aplicação prática em R)/1. ML_2_07_GradientBoosting.mp4 12.8 MB
11. Módulo 1 - Feature Selection/3. Feature selection p-value (conceito + aplicação prática em R)/1. 9_2_P-value.mp4 12.1 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/6. Como atualizar dados no Power BI (Power BI básico com Machine Learning - Aula 6).mp4 11.1 MB
8. Módulo 1 - KNN/4. KNN (resolução do exercício)/1. 7_3_KnnExerSol.mp4 10.6 MB
22. Módulo 2 - Testando seus conhecimentos/1. Apresentação do exercício prático final/1. ExFinalapresentacao.mp4 10.1 MB
21. Módulo 2 - Support Vector Machine (SVM)/4. SVM (apresentação do exercício)/1. ML_2_09_SVMexerc.mp4 10.0 MB
10. Módulo 1 - Decision Trees/10. Decision Trees (apresentação do exercício)/1. 8_5_DecisionTreeExer.mp4 8.7 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/3. Primeiro acesso no Power BI (Power BI básico com Machine Learning - Aula 3).mp4 8.1 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/2. Instalando o Power BI (Power BI básico com Machine Learning - Aula 2).mp4 7.8 MB
8. Módulo 1 - KNN/3. KNN (apresentação do exercício)/1. 7_2_KnnExer.mp4 7.6 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/8. Como inserir uma coluna condicional no Power Query (Power BI básico com Machine Learning - Aula 8).mp4 7.4 MB
1. Módulo 1 - Conceitos Básicos/5. Power BI/desc.html 7.8 KB
1. Módulo 1 - Conceitos Básicos/2. Introdução a Machine Learning e IA/desc.html 7.3 KB
2. Módulo 1 - Regressão Linear/1. Regressão linear (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 2.0 KB
21. Módulo 2 - Support Vector Machine (SVM)/1. SVM (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 1/links.html 929 bytes
16. Módulo 2 - Random Forest/4. RandomForest (apresentação do exercício)/desc.html 811 bytes
2. Módulo 1 - Regressão Linear/2. Regressão linear (aplicação prática em R resolvendo um problema – Parte 1)/links.html 795 bytes
2. Módulo 1 - Regressão Linear/7. Aula Bônus - Solução do exercício com Power BI/desc.html 752 bytes
2. Módulo 1 - Regressão Linear/1. Regressão linear (conceito + matemática o que o algoritmo faz debaixo dos panos)/links.html 681 bytes
2. Módulo 1 - Regressão Linear/3. Regressão linear (aplicação prática em R resolvendo um problema – Parte 2)/links.html 572 bytes
2. Módulo 1 - Regressão Linear/2. Regressão linear (aplicação prática em R resolvendo um problema – Parte 1)/desc.html 555 bytes
2. Módulo 1 - Regressão Linear/3. Regressão linear (aplicação prática em R resolvendo um problema – Parte 2)/desc.html 527 bytes
9. Módulo 1 - Naive Bayes/2. Gaussian, Multinomial (Poisson), Bernoulli (o que os algoritmos Naive Bayes fazem debaixo dos panos)/desc.html 506 bytes
4. Módulo 1 - Outros modelos de regressão linear/7. Comparando diferentes modelos em um único código/desc.html 436 bytes
10. Módulo 1 - Decision Trees/10. Decision Trees (apresentação do exercício)/desc.html 396 bytes
4. Módulo 1 - Outros modelos de regressão linear/8. Escolha de um modelo de regressão (apresentando o exercício)/desc.html 392 bytes
6. Módulo 1 - Regressão Logística/3. Regressão logística (aplicação prática em R resolvendo um problema)/desc.html 392 bytes
20. Módulo 2 - Bagging/3. Bagging (apresentação do exercício)/desc.html 386 bytes
2. Módulo 1 - Regressão Linear/5. Regressão linear (apresentação do exercício)/desc.html 371 bytes
19. Módulo 2 - GradientBoosting/2. GradientBoosting (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 2/links.html 368 bytes
21. Módulo 2 - Support Vector Machine (SVM)/4. SVM (apresentação do exercício)/desc.html 352 bytes
6. Módulo 1 - Regressão Logística/2. Regressão logística (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 342 bytes
13. Módulo 2 - Dados missing com Regressão/2. Substituindo dados missing com um modelo de regressão (Aplicação prática em R)/desc.html 332 bytes
3. Módulo 1 - Pré-processamento/1. Pré-processamento dados missing/desc.html 332 bytes
22. Módulo 2 - Testando seus conhecimentos/1. Apresentação do exercício prático final/desc.html 323 bytes
2. Módulo 1 - Regressão Linear/6. Regressão linear (solução exercício)/links.html 316 bytes
2. Módulo 1 - Regressão Linear/6. Regressão linear (solução exercício)/desc.html 306 bytes
3. Módulo 1 - Pré-processamento/1. Pré-processamento dados missing/links.html 255 bytes
9. Módulo 1 - Naive Bayes/1. Teorema de Bayes (conceito teórico)/desc.html 248 bytes
18. Módulo 2 - AdaBoost/1. AdaBoost (conceito + matemática o que o algoritmo faz debaixo dos panos)/links.html 239 bytes
6. Módulo 1 - Regressão Logística/2. Regressão logística (conceito + matemática o que o algoritmo faz debaixo dos panos)/links.html 237 bytes
1. Módulo 1 - Conceitos Básicos/1. Como estudar esse curso/0. Bem vindo.url 185 bytes
CBR.url 185 bytes
LEIA-ME.url 185 bytes
URL.url 183 bytes
14. Módulo 2 - Aprendizado não supervisionado/1. Aprendizado não supervisionado (Teoria)/links.html 160 bytes
19. Módulo 2 - GradientBoosting/1. GradientBoosting (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 1/links.html 152 bytes
10. Módulo 1 - Decision Trees/3. Decision Trees evitando overfitting/desc.html 151 bytes
13. Módulo 2 - Dados missing com Regressão/1. Substituindo dados missing com um modelo de regressão (Teoria)/desc.html 151 bytes
14. Módulo 2 - Aprendizado não supervisionado/1. Aprendizado não supervisionado (Teoria)/desc.html 151 bytes
14. Módulo 2 - Aprendizado não supervisionado/3. Clustering K Means (encontrando o número ideal de clusters)/desc.html 151 bytes
15. Módulo 2 - PCA/1. Principal Component Analysis - PCA (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
16. Módulo 2 - Random Forest/1. Métodos Ensemble (conceito)/desc.html 151 bytes
16. Módulo 2 - Random Forest/2. RandomForest (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
17. Módulo 2 - ExtraTrees/1. ExtraTrees (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
18. Módulo 2 - AdaBoost/1. AdaBoost (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
19. Módulo 2 - GradientBoosting/1. GradientBoosting (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 1/desc.html 151 bytes
19. Módulo 2 - GradientBoosting/2. GradientBoosting (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 2/desc.html 151 bytes
1. Módulo 1 - Conceitos Básicos/3. Viés e Variância/desc.html 151 bytes
1. Módulo 1 - Conceitos Básicos/4. Visão geral dos algoritmos de machine learning/desc.html 151 bytes
20. Módulo 2 - Bagging/1. Bagging (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
21. Módulo 2 - Support Vector Machine (SVM)/1. SVM (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 1/desc.html 151 bytes
21. Módulo 2 - Support Vector Machine (SVM)/2. SVM (conceito + matemática o que o algoritmo faz debaixo dos panos) – parte 2/desc.html 151 bytes
4. Módulo 1 - Outros modelos de regressão linear/3. Regularização L1, L2 e regressão Lasso/desc.html 151 bytes
4. Módulo 1 - Outros modelos de regressão linear/5. Elastic net (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
8. Módulo 1 - KNN/1. KNN (conceito + matemática o que o algoritmo faz debaixo dos panos)/desc.html 151 bytes
9. Módulo 1 - Naive Bayes/3. Suavização de Laplace/desc.html 151 bytes
10. Módulo 1 - Decision Trees/11. Decision Trees (resolução do exercício)/desc.html 150 bytes
10. Módulo 1 - Decision Trees/6. Decision Trees Classifier (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
10. Módulo 1 - Decision Trees/7. Decision Trees Classifier (ajustando os parâmetros)/desc.html 150 bytes
10. Módulo 1 - Decision Trees/8. Decision Trees Regressor (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
10. Módulo 1 - Decision Trees/9. Decision Trees Regressor (ajustando os parâmetros)/desc.html 150 bytes
11. Módulo 1 - Feature Selection/2. Feature selection qui-quadrado (aplicação prática em R)/desc.html 150 bytes
11. Módulo 1 - Feature Selection/3. Feature selection p-value (conceito + aplicação prática em R)/desc.html 150 bytes
11. Módulo 1 - Feature Selection/4. Como acelerar o processamento de um algoritmo no seu computador/desc.html 150 bytes
12. Módulo 1 - Testando seus conhecimentos/1. Apresentando o exercício prático final/desc.html 150 bytes
12. Módulo 1 - Testando seus conhecimentos/2. Solução do exercício prático final - Parte 1/desc.html 150 bytes
12. Módulo 1 - Testando seus conhecimentos/3. Solução do exercício prático final - Parte 2/desc.html 150 bytes
14. Módulo 2 - Aprendizado não supervisionado/4. Clustering K Means (aplicação prática em R)/desc.html 150 bytes
14. Módulo 2 - Aprendizado não supervisionado/5. Clustering K Means (Solução do Exercício)/desc.html 150 bytes
15. Módulo 2 - PCA/2. Principal Component Analysis (aplicação prática em R)/desc.html 150 bytes
16. Módulo 2 - Random Forest/3. RandomForest (aplicação prática em R)/desc.html 150 bytes
16. Módulo 2 - Random Forest/5. RandomForest (solução do exercício - parte 1)/desc.html 150 bytes
16. Módulo 2 - Random Forest/6. RandomForest (solução do exercício - parte 2)/desc.html 150 bytes
17. Módulo 2 - ExtraTrees/2. ExtraTrees (aplicação prática em R)/desc.html 150 bytes
17. Módulo 2 - ExtraTrees/3. ExtraTrees (apresentação do exercício)/desc.html 150 bytes
17. Módulo 2 - ExtraTrees/4. ExtraTrees (solução do exercício)/desc.html 150 bytes
18. Módulo 2 - AdaBoost/2. AdaBoost (aplicação prática em R)/desc.html 150 bytes
18. Módulo 2 - AdaBoost/3. AdaBoost (ajuste fino de parâmetros)/desc.html 150 bytes
19. Módulo 2 - GradientBoosting/3. GradientBoosting (aplicação prática em R)/desc.html 150 bytes
19. Módulo 2 - GradientBoosting/4. GradientBoosting (apresentação do exercício)/desc.html 150 bytes
19. Módulo 2 - GradientBoosting/5. GradientBoosting (solução do exercício - parte 1)/desc.html 150 bytes
19. Módulo 2 - GradientBoosting/6. GradientBoosting (solução do exercício - parte 2)/desc.html 150 bytes
20. Módulo 2 - Bagging/2. Bagging (aplicação prática em R)/desc.html 150 bytes
20. Módulo 2 - Bagging/4. Bagging (solução do exercício)/desc.html 150 bytes
21. Módulo 2 - Support Vector Machine (SVM)/3. SVM (aplicação prática em R)/desc.html 150 bytes
21. Módulo 2 - Support Vector Machine (SVM)/5. SVM (solução do exercício)/desc.html 150 bytes
22. Módulo 2 - Testando seus conhecimentos/2. Solução do exercício prático final/desc.html 150 bytes
3. Módulo 1 - Pré-processamento/2. Pré-processamento (solução do exercício)/desc.html 150 bytes
3. Módulo 1 - Pré-processamento/3. Feature selection correlação (conceito)/desc.html 150 bytes
3. Módulo 1 - Pré-processamento/4. Feature selection correlação (aplicação prática em R)/desc.html 150 bytes
4. Módulo 1 - Outros modelos de regressão linear/2. Ridge regression (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
4. Módulo 1 - Outros modelos de regressão linear/4. Lasso regression (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
4. Módulo 1 - Outros modelos de regressão linear/6. Elastic net (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
4. Módulo 1 - Outros modelos de regressão linear/9. Escolha de um modelo de regressão (solução do exercício)/desc.html 150 bytes
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/1. Pacote Caret (linguagem R)/desc.html 150 bytes
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/3. Validação cruzada Kfold (aplicação prática em R)/desc.html 150 bytes
5. Módulo 1 - Validação cruzada e ajuste fino dos parâmetros/4. Busca de parâmetros em um modelo (aplicação prática em R)/desc.html 150 bytes
6. Módulo 1 - Regressão Logística/4. Regressão logística (ajuste fino de parâmetros)/desc.html 150 bytes
6. Módulo 1 - Regressão Logística/5. Regressão logística (apresentação do exercício)/desc.html 150 bytes
6. Módulo 1 - Regressão Logística/6. Regressão logística (solução do exercício)/desc.html 150 bytes
7. Módulo 1 - Confusion matrix e normalização/1. Medição de desempenho Confusion Matrix (teoria e prática)/desc.html 150 bytes
7. Módulo 1 - Confusion matrix e normalização/3. Medição de desempenho ROCAUC (aplicação prática em R)/desc.html 150 bytes
7. Módulo 1 - Confusion matrix e normalização/4. Normalizando dados na linguagem R/desc.html 150 bytes
8. Módulo 1 - KNN/2. KNN (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
8. Módulo 1 - KNN/3. KNN (apresentação do exercício)/desc.html 150 bytes
8. Módulo 1 - KNN/4. KNN (resolução do exercício)/desc.html 150 bytes
9. Módulo 1 - Naive Bayes/4. Naive Bayes (aplicação prática em R resolvendo um problema)/desc.html 150 bytes
7. Módulo 1 - Confusion matrix e normalização/4. Normalizando dados na linguagem R/links.html 134 bytes
4. Módulo 1 - Outros modelos de regressão linear/7. Comparando diferentes modelos em um único código/links.html 133 bytes

Combo.Cursos.de.Machine.Learning.com.R.Modulos.1.e.2

File List

Download Torrent

Related Resources

Copyright Infringement