Este repositório reúne desafios, laboratórios e projetos práticos desenvolvidos durante o Bootcamp de Machine Learning da Baires Dev em parceria com a DIO.
Projetado para consolidar fundamentos e aplicações em Python, R e Scilab, focando nas principais técnicas de Machine Learning modernas.
- Python, R e Scilab Modules: Laboratórios introdutórios e experimentos para aplicações práticas em Machine Learning com Python, R e Scilab.
- Binarização: Estudo de pré-processamento e binarização de dados.
- SupervisedTraining: Treinamento, validação e teste de modelos supervisionados clássicos.
- TransferLearning-Finetunning: Estratégias avançadas de classificação de imagens (CNN do zero vs. Transfer Learning/Fine-tuning com Caltech 101).
- CNN do Zero: Construção e treinamento completo de uma rede convolucional customizada.
- Transfer Learning com VGG16: Uso do VGG16 pré-treinado no ImageNet, realizando fine-tuning na última camada para o dataset Caltech 101.
- Etapas: Pré-processamento, definição de arquitetura, validação comparativa, exemplos práticos de predição.
- Objetivo: Ilustrar os ganhos e a facilidade do reaproveitamento de modelos robustos com Transfer Learning.
- Consolidar fundamentos de Machine Learning e ciência de dados em diferentes linguagens.
- Gerar repositório de estudo, consulta e referência para portfólio.
- Permitir fácil adaptação/expansão para novos experimentos e desafios.
- Desenvolvido por Felipe Napoli Siqueira
- Durante o Bootcamp de Machine Learning promovido pela Baires Dev e DIO
- @napolisiqueira
Contribuições, sugestões de melhoria e forks são bem-vindos para enriquecer o conteúdo!