MACHINE LEARNING AUTOMÁTICO COM H2O

MACHINE LEARNING AUTOMÁTICO COM H2O

Descrição do curso

O curso de Machine Learning Automático com H2O proporciona aos participantes uma compreensão sólida dos conceitos fundamentais de AutoML, com foco na construção, calibração e avaliação de modelos de Machine Learning. Ao longo da formação, serão exploradas as principais técnicas de IA integradas na plataforma H2O, bem como os seus mecanismos de explicabilidade, permitindo aos formandos interpretar resultados, comparar modelos e compreender o potencial e as limitações das abordagens automáticas.

Valor

Sob consulta

Modalidade

e-Learning

Duração

8 horas

  • Compreender os princípios fundamentais do AutoML e papel do Machine Learning Automático no processo de desenvolvimento de modelos e reconhecer as suas vantagens e limitações.
  • Explorar a plataforma H2O AutoML e familiarizar-se com o ambiente, componentes e funcionalidades principais, incluindo configuração, execução e monitorização de experiências.
  • Aplicar técnicas de preparação e engenharia de dados, conhecendo as boas práticas de tratamento de dados antes de utilizar AutoML (e.g., limpeza, selecção de atributos, divisão dos dados).
  • Construir e calibrar modelos com H2O AutoML, com a executação de pipelines automáticos de modelação, compreender os algoritmos utilizados e interpretar os resultados produzidos pela ferramenta.
  • Avaliar e comparar modelos (utilizar métricas de desempenho adequadas, analisar rankings de modelos e compreender a seleção automática do melhor modelo).
  • Interpretar e explicar modelos, com recurso a técnicas de interpretabilidade disponíveis no H2O (e.g., feature importance, partial dependence plots) para compreender os fatores que influenciam as previsões.
  • Implementar um mini-projeto prático, por forma a integrar todos os passos da formação num caso prático com dados reais, desde a preparação dos dados até à avaliação e explicação do modelo final.
  • Definir AutoML e distinguir as suas fases (pré-processamento, seleção de modelos, optimização, avaliação).
  • Explicar a diferença entre modelos supervisionados e não supervisionados dentro do contexto do AutoML.
  • Identificar vantagens, limitações e casos de uso apropriados do Machine Learning Automático.
  • Instalar e configurar o H2O e o H2O Flow ou interface Python/R.
  • Executar um workflow básico na plataforma H2O, compreendendo a interface, outputs e funcionalidades.
  • Executar o processo de H2O AutoML para diferentes tipos de problemas (classificação e regressão).
  • Explicar os algoritmos potencialmente incluídos.
  • Ajustar parâmetros essenciais do AutoML (max runtime, max models, balanceamento, métricas).
  • Interpretar as diferentes métricas fornecidas pelo H2O (e.g., AUC, accuracy, F1-score, RMSE, MAE).
  • Comparar modelos obtidos automaticamente e compreender o leaderboard.
  • Validar o modelo final utilizando conjuntos de teste e técnicas de cross-validation.
  • Gerar gráficos e explicações automáticas (e.g., Partial Dependence Plots).
  • Explicar o comportamento do modelo final a partir destas ferramentas.
  • Identificar limitações das técnicas de explicabilidade no contexto do AutoML.
  • Desenvolver um mini projeto usando dados reais: preparar dados, executar AutoML, selecionar o modelo final e produzir um pequeno relatório técnico.
  • Profissionais de TI e desenvolvedores de software: Engenheiros de software, desenvolvedores de aplicativos e outros profissionais de TI interessados em expandir suas habilidades para incluir Machine Learning em seus projetos ou aplicativos.
  • Profissionais de negócios e tomadores de decisão: Gerentes de produto, analistas de negócios e outros profissionais que desejam entender os conceitos básicos de Machine Learning para tomar decisões informadas e estratégicas baseadas em dados.

Módulo 1: Fundamentos de Machine Learning e AutoML

  1. Introdução ao Machine Learning
  • O que é Machine Learning?
  • Diferença entre aprendizagem supervisionada e não supervisionada.
  • Tipos comuns de problemas (classificação, regressão, clustering).
  • Pipeline tradicional de ML.
  1. Conceito de AutoML
  • O que é Machine Learning Automático?
  • Benefícios e limitações do AutoML.
  • AutoML vs. desenvolvimento manual de modelos.
  • Casos de uso reais de AutoML.
  1. Visão geral da plataforma H2O
  • O que é o H2O?
  • Comparação com outras ferramentas (breve).

 

Módulo 2: Preparação e Manipulação de Dados no H2O

  1. Importação e Gestão de Dados
  • Carregar datasets no H2O (CSV, Parquet, ligação a ficheiros locais ou remotos).
  • Estrutura de dados interna (“H2OFrame”).
  1. Limpeza e Transformações Básicas
  • Tratamento de valores nulos e missing.
  • Transformação de variáveis (numéricas e categóricas).
  • Normalização e encoding automático no H2O.
  1. Divisão dos Dados
  • Criação de conjuntos de treino, validação e teste.
  • Considerações importantes para amostragem.

 

Módulo 3: Construção Automática de Modelos com H2O AutoML

  1. Execução do AutoML
  • Parâmetros essenciais (max models, runtime, métricas).
  • Avaliação do tipo de problema (classificação vs. regressão).
  • Balanceamento de classes.
  1. Modelos Produzidos pelo H2O AutoML
  • GLM, GBM, Random Forest, Deep Learning.
  • XGBoost (quando aplicável).
  • Modelos stacked (Stacked Ensembles).
  1. Interpretação da Leaderboard
  • Seleção automática do melhor modelo.
  • Interpretação das métricas apresentadas.

 

Módulo 4: Avaliação e Validação de Modelos

  1. Métricas de Desempenho
  • Classificação: AUC, F1, precisão, recall.
  • Regressão: RMSE, MAE, R².
  • Interpretação correta das métricas.

 

  1. Validação Cruzada e Teste
  • Cross-validation no H2O.
  • Comparação entre conjuntos de treino/validação/teste.

 

  1. Seleção do Modelo Final
  • Análise de trade-offs.
  • Exportação de previsões e do modelo.

 

Módulo 5: Explicabilidade e Interpretação de Modelos

  1. Ferramentas de Interpretabilidade
  • Feature Importance.
  • Partial Dependence Plots (PDP).
  • Visualização e interpretação dos gráficos automáticos do H2O.
  1. Explicação de Resultados
  • Como justificar um modelo perante stakeholders.
  • Explicações Locais.
  • Limitações da interpretabilidade em AutoML.

 

Módulo 6: Caso Prático Completo com H2O AutoML

  1. Desenvolvimento do Projeto
  • Escolha e preparação do dataset.
  • Execução completa do AutoML.
  • Análise dos melhores modelos.
  1. Interpretação Final
  • Explicabilidade aplicada ao caso concreto.
  • Avaliação crítica do desempenho obtido.
  1. Discussão e Conclusão
  • Boas práticas de utilização de AutoML em ambiente profissional.
  • Perguntas e respostas.
  • Considerações finais e síntese dos tópicos aprendidos.

A definir, mediante número de inscrições (Início da ação sujeito ao número mínimo de formandos)

Luís Matos

Contacte-nos

Ao preencher o formulário, a empresa autoriza o Instituto CCG/ZGDV a tratar os dados pessoais disponibilizados e a estabelecer contacto no âmbito do diagnóstico de necessidades, elaboração de proposta e implementação de formação à medida para a empresa.

Subscreva a nossa newsletter

Ao subscrever a newsletter, autorizo o Instituto CCG/ZGDV a tratar os meus dados pessoais aqui disponibilizados.

M: FORMACAO@CCG.PT
T: + 351 964 994 796
2.3Branco
CCG/ZGDV Institute
Avenida da Universidade, Campus de Azurém, Edifício 14
4800-058 Guimarães

Política de Privacidade | Política de Cookies |  Livro de reclamações

MONO-NEGATIVA_EFCD-LOGO_Digital_Principal

    2026 © CCG/ZGDV – ICT Innovation Institute