Curso Machine Learning - FAQ

6 minuto(s) de leitura

Seja bem vindo a aula 0 do curso de machine learning do blog! Este post é apenas para introduzir a ideia do curso, pré-requisitos, até onde ele vai etc. Para fazer isso de maneira mais direta e organizada, todas essas informações foram colocadas no FAQ abaixo.

Antes de iniciar, gostaria de deixar claro que a intenção do curso é compartilhar a experiência que adquiri na área ao longo dos anos. Não tenho intenção de ser estritamente formal, caso contrário escreveria um livro. Portanto, assim como já é a ideia do blog, vou continuar usando uma linguagem mais coloquial e de fácil acesso Além disso, tento exemplificar e utilizar figuras ao máximo, para que facilite a compreensão. Obviamente, as vezes é necessário ser formal, mas tentarei ser o mais direto possível.

FAQ

Por que você está criando este curso?

Como disse acima, a ideia deste curso é compartilhar o conhecimento que adquiri ao longo dos anos. Toda minha graduação, mestrado e doutorado foi/está sendo custeado pelo governo Brasileiro por meio da universidade pública. Tenho conciência do tamanho do investimento que é realizado para que isso seja possível. Logo, esta é uma forma de eu retribuir. Sei que o conhecimento dessa área é valioso e pode ser caro adquirí-lo. Portanto, esse curso é e sempre será gratuito, para que qualquer pessoa de qualquer classe social/renda possa acessá-lo e se introduzir na área.

Todavia, se você acredita que esse curso (ou esse blog de maneira geral) te ajudou de alguma forma, sinta-se livre para fazer uma doação. Seria como se você estivesse comprando o curso, mas com o diferencial já o ter feito antes ;)

Para isso, você pode acessar a página de doação do blog e “comprá-lo” por qualquer valor.

Para quem é destinado este curso?

Obviamente qualquer pessoa pode acompanhar o curso. Porém, o público alvo do mesmo são alunos de graduação e pós-gradução que desejam adquirir conhecimento na área. Todavia, machine learning é uma área fortemente báseada em álgebra linear, cálculo e estatística. Ter um conhecimento básico nessas disciplinas é desejável. Todavia, a aula zero deste curso vai abordar os conceitas básicos necessários destas 3 disciplinas para que você possa acompanhar os posts.

Preciso saber programar para acompanhar este curso?

A resposta mais direta é sim. É necessário conhecimento básico de programação. A linguagem quase que padrão para implementar algoritmos em machine learning é Python. Obviamente, existem diversos frameworks desenvolvidos em C++, Java, R etc. Porém, os mais utilizados e difundidos estão disponíveis para Python. Esse curso não será puramente teórico. Vários algoritmos serão implementados ao longo dele. Porém, é esperado que você entenda o básico de programação para acompanhar este curso. Caso você não tenha, eu sugiro que assista vídeo aulas no Youtube ou aprenda de alguma apostila de professores universitários que disponibilizam em suas páginas pessoais. Quando conceitos mais aprofundados forem necessário, vamos abordá-lo ao longo do post.

Quais frameworks serão utilizados?

Os frameworks/bibliotecas/pacotes que mais vamos utilizar serão:

  • NumPy e SciPy
  • Pandas
  • Matplotlib e Seaborn
  • Scikit-learn
  • Pytorch

Obviamente, pode ser que seja utilizado outro pacote ao longo do curso. Esses são os principais. Além disso, é desejável o básico de conhecimento nessas ferramentas, mas se você não as conhece, sem problema. Sempre que necessário vou explicar o que está acontecendo. E claro, vou linkar apostilas, tutoriais, vídeos, etc.

O curso vai ter implementação ou será apenas teórico?

Com certeza vai ser mão na massa! No começo, precisamos de teoria, é óbvio. Mas teremos muita coisa prática. Aliás, o curso tem um repositório no Github com todas as implementações utilizadas ao longo das aulas. Você pode acessá-lo aqui.

Qual é o escopo do curso?

Vamos abordar todos os conceitos básicos de machine learning até os principais conceitos de deep learning. A ideia é encerrar esse curso com as generative adversatial networks (GANs).

Por que as vezes você usa o nome em inglês e as vezes em português?

Existem diversos termos que são difíceis de traduzir ou não são popularizados em português. Logo, eu prefiro utilizar o termo em inglês. O próprio nome do curso: machine learning. Normalmente é traduzido para aprendizado de máquina, mas não soa muito bem. Além disso, eventualmente você vai se deparar com esses termos em blogs, livros ou aulas na língua inglesa. Logo, é bom já estar familiariza. Todavia, quando o termo é difundido em português, como por exemplo, uma probability distribution function é estabelecida em português como função de distribuição de probabilidade. Nesse caso, mantenho o nome em português e falo como é escrito em inglês. Por fim, existem casos que a tradução é tenebrosa. Por exemplo, existe um algoritmo chamado simulated annealing. Alguns livros e artigos em português o chama de recozimento simulado. Me lembro uma vez de ter lido isso e não consegui associar ao nome em inglês. Nesse caso, prefiro manter o nome original.

De onde vem o conteúdo deste curso?

Bom, muito do que será discutido aqui é o que eu aprendi ao longo do meu mestrado e doutorado em ciência da computação. Portanto, são diversas fontes de livros, artigos, aulas etc. Mas, muito do conteúdo aqui será baseado em alguns livros espcíficos. Para citar alguns:

  • Deep learning - Ian Goodfellow, Yoshua Bengio e Aaron Courville link

  • Hands-on machine learning with Scikit-Learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Géron, Aurélien link

  • An introduction to statistical learning. Gareth James, Daniela Witten, Trevor Hastie e Robert Tibshirani link

Eu não vou citar a todo momento os livros, mas sempre que houver alguma afirmação bem específica sobre o assunto, vou citar diretamente de onde tirei.

O curso tem certificado?

Não.

Qual a frequência que as aulas serão postadas?

Esperamos que 1 ou 2 vezes a cada 15 dias. Suspenso por motivos de tenho que terminar minha tese de doutorado. Voltaremos em breve.


Caso você tenha alguma sugestão, pergunta, correção ou qualquer algo do tipo, não hesite em entrar em contato via e-mail, twitter, etc.

Deixe um comentário