Introdução ao Machine Learning com R

class: center, middle, inverse, title-slide

# Introdução ao Machine Learning com R
## Introdução ao curso
### <img src = 'https://d33wubrfki0l68.cloudfront.net/9b0699f18268059bdd2e5c21538a29eade7cbd2b/67e5c/img/logo/cursor1-5.png' width = '40%'>
### agosto de 2021

---

class: middle, center

# Sobre a Curso-R

---

## Curso-R

---

## Linha do tempo

---
## Nossos cursos

.pull-left[
<div class="container center">
  <div class="card">
    <h2>Programação em R</h2>
    <hr style = "background-color: #3bb44a;"/>
    <p><a href = "https://www.curso-r.com/cursos/r4ds-1/">R para Ciência de dados I</a></p>
        <p><a href = "https://www.curso-r.com/cursos/r4ds-2/">R para Ciência de dados II</a></p>
  </div>
</div>

<br>

<div class="container center">
  <div class="card">
    <h2>Modelagem</h2>
    <hr style = "background-color: #996699;"/>
    <p><a href = "https://www.curso-r.com/cursos/regressao/">Regressão Linear</a></p>
    <p><a href = "https://www.curso-r.com/cursos/intro-machine-learning/">Machine Learning</a></p>
    <p><a href = "https://www.curso-r.com/cursos/xgboost/">XGBoost</a></p>
    <p><a href = "https://www.curso-r.com/cursos/deep-learning/">Deep Learning</a></p>
  </div>
</div>
]

.pull-right[
<div class="container center">
  <div class="card">
    <h2>Extração de dados</h2>
    <hr style = "background-color: #eeba30;"/>
    <p><a href = "https://www.curso-r.com/cursos/web-scraping-1/">Web scraping I</a></p>
        <p><a href = "https://www.curso-r.com/cursos/web-scraping-2/">Web scraping II</a></p>
  </div>
</div>

<br>

<div class="container center">
  <div class="card">
    <h2>Comunicação e automação</h2>
    <hr style = "background-color: #ff6699;"/>
    <p><a href = "https://www.curso-r.com/cursos/dashboards/">Dashboards com R</a></p>
        <p><a href = "https://www.curso-r.com/cursos/deploy/">Deploy</a></p>
  </div>
</div>
]

---
class: middle, center

# Sobre o curso

---
## Dinâmica curso

- As aulas serão (quase totalmente) expositivas.

- Teremos diversos exercícios para serem feitos "em casa".

- Os exercícios não serão avaliações, portanto não terão prazo nem nota. O objetivo deles será gerar dúvidas em vocês, para que os professores possam melhor orientá-las(los) durante o curso.

- O certificado será emitido mediante uma **entrega final** (Kaggle InClass). O prazo da entrega final será de 30 dias após o fim do curso.

---

# Programa do curso

.pull-left[

### Capítulo 1

- Introdução ao Machine Learning
- Tidymodels
- Regressão linear, Regularização
- Overfitting
- Validação cruzada e estratégias

### Capítulo 2

- Regressão logística, regressão vs classificação
- Data prep
- Métricas de performance para classificação: ROC, Acurácia

]

.pull-right[
### Capítulo 3

- Árvores de Decisão
- Random Forest 
- Boosting - XGBoost

### Capítulo 4

- Data prep parte II: Matriz X
- Estudo de Caso

]
---

# Não falaremos...

- Deploy em produção

- Redes Neurais/Deep Learning

- Séries Temporais

- Provas de Teoremas

- Shiny

---
# Tirando dúvidas

- **Sintam-se a vontade em fazer perguntas durante a exposição ao vivo.**.
 
 - Fora do horário de aula ou monitoria:
     - perguntas gerais sobre o curso deverão ser feitas no Classroom.
     
     - perguntas sobre R, principalmente as que envolverem código, deverão ser enviadas no [nosso discourse](https://discourse.curso-r.com/).

---
# Por que usar o discourse?

- Muito melhor para escrever textos que possuem códigos. Com ele, podemos usar o pacote `{reprex}`!

- Saber pesquisar sobre erros e fazer a pergunta certa é essencial para aprender e resolver problemas de programação.

- No discourse, teremos mais pessoas acompanhando e respondendo as dúvidas.

- Em um ambiente aberto, as suas dúvidas vão contribuir com a comunidade.

### https://discourse.curso-r.com/

---

## Extras

- Teremos monitoria duas vezes por semana, sempre 30 minutos antes do início das aulas (seg e qui, das 18h30 às 19h)

- A gravação das aulas ficará disponível no Google Classroom por 1 ano após o final do curso.