Machine Learning Practitioner

Este repositório contém os projetos e exercícios desenvolvidos durante o bootcamp BairesDev - Machine Learning Practitioner oferecido pela DIO. Aqui, você encontrará implementações práticas, conceitos teóricos e aplicações de Machine Learning em Python.

1. Introdução ao Machine Learning

• O que é Machine Learning e suas aplicações no mercado.
• Diferença entre aprendizado supervisionado e não supervisionado.
• Como construir um pipeline de Machine Learning.

2. Programação para Machine Learning

• Linguagens de programação utilizadas em ML: foco em Python.
• Bibliotecas e frameworks principais: Pandas, NumPy, Scikit-learn.
• Técnicas de manipulação e limpeza de dados, e como preparar datasets para treinamento de modelos.

3. Algoritmos de Treinamento em Machine Learning

• Regressão Linear: Previsão de variáveis contínuas.
• Árvores de Decisão e Random Forest: Algoritmos de classificação e regressão.
• KNN (K-Nearest Neighbors): Classificação baseada na proximidade de pontos de dados.
• SVM (Support Vector Machines): Classificação robusta com margens máximas.

4. Teoria de Aprendizado Estatístico

• Teoria de Estatísticas Aplicadas ao aprendizado de máquina.
• Overfitting e Underfitting: Como evitá-los.
• Métodos para validação de modelos: Cross-validation, Grid Search.

5. Fundamentos e Práticas de Deep Learning

• Introdução ao Deep Learning e Redes Neurais Artificiais.
• Como as redes neurais imitam o funcionamento do cérebro humano.
• Perceptrons, Redes Feedforward e Backpropagation.

6. Frameworks de Deep Learning

• TensorFlow: Construção e treinamento de redes neurais profundas.
• Keras: API de alto nível para redes neurais.
• PyTorch: Framework de deep learning com foco em flexibilidade e performance.

7. Processamento de Imagens com Machine Learning

• OpenCV: Manipulação de imagens em Python.
• Pré-processamento de imagens para uso em modelos de Machine Learning.
• Redes Neurais Convolucionais (CNNs) para tarefas de reconhecimento de imagens.

8. Visão Computacional com Machine Learning

• O que é visão computacional e como aplica-la em ML.
• Detecção de objetos e reconhecimento facial.
• Aplicações práticas: Face Recognition, Object Detection.

---

Tecnologias e Ferramentas Usadas

• Linguagem: Python
• Bibliotecas: Pandas, NumPy, Scikit-learn, TensorFlow, Keras, PyTorch, OpenCV
• Ferramentas de Visualização: Matplotlib, Seaborn
• Frameworks: Flask (para deploy de modelos), Streamlit (para visualização interativa)