Introdução à regressão linear com uma variável independente.

Conteúdo
● Carregamento e visualização de dados com pandas e seaborn.
● Implementação de modelo com scikit-learn e plotagem da linha de regressão.
● Predição de valores com base em dados de entrada.

Habilidades Desenvolvidas
● Manipulação de dados
● Uso de bibliotecas de modelagem e interpretação de resultados de regressão simples.

Expansão da regressão linear para múltiplas variáveis independentes.

Conteúdo
● Análise de dados com múltiplos atributos.
● Pré-processamento com limpeza e codificação de variáveis categóricas.
● Treinamento e avaliação do modelo com métricas de performance.

Habilidades Desenvolvidas
● Feature engineering
● Tratamento de dados categóricos
● Análise de desempenho com R2.

Aplicação da regressão logística em problemas de classificação binária.

Conteúdo
● Análise exploratória e correlação entre variáveis.
● Visualizações com heatmaps e boxplots por classe.
● Treinamento do modelo e avaliação com matriz de confusão.

Habilidades Desenvolvidas
● Interpretação de métricas de classificação
● Visualização de padrões de dados
● Uso de modelos probabilísticos.

Regressão logística para classificação com mais de duas classes.

Conteúdo
● Exploração de dados com múltiplas categorias.
● Implementação de regressão multinomial e avaliação do desempenho.

Habilidades Desenvolvidas
● Modelagem de problemas multiclasse 
● Adaptação de métricas para cenários complexos.

Modelos baseados em árvores para classificação em cenários com dados desbalanceados.

Conteúdo
● Análise de transações bancárias (fraudes vs. legítimas).
● Aplicação de técnicas de balanceamento.
● Treinamento e comparação entre Decision Trees, XGBoost e modelos ensemble.

Habilidades Desenvolvidas
● Uso de algoritmos robustos em cenários reais
● Técnicas de balanceamento 
● Ensemble learning.

Construção de redes neurais sem uso de bibliotecas externas.

Exercícios
● Normalização de dados.
● Implementação de forward e backpropagation com numpy.
● Visualização da função de custo ao longo do treinamento.

Habilidades Desenvolvidas
● Entendimento profundo do funcionamento interno das redes neurais 
● Fundamentos matemáticos.

Uso de bibliotecas modernas para implementação de redes convolucionais e recorrentes.

Conteúdo
● Classificação de imagens com CNNs (ex.: MNIST).
● Predição de séries temporais com RNNs.

Habilidades Desenvolvidas
● Criação de arquiteturas com Keras ou PyTorch
● Aplicação em problemas reais
● Uso de camadas convolucionais e recorrentes.