🔶 Diferenças entre Inteligência Artificial, Machine Learning e Deep Learning. 🔶 Abordagens de Modelagem: Diferença entre modelos preditivos e descritivos. 🔶 Pilares de ML: Introdução às tarefas de Classificação, Regressão e Clusterização. 🔶 Qualidade dos Dados: Importância do pré-processamento e limpeza de dados (tratamento de nulos, duplicados e remoção de outliers). 🔶 Preparação de Variáveis: Técnicas de Encoding (One-Hot, Label Encoding), Escalonamento (MinMaxScaler, StandardScaler) e Engenharia de Features. 🔶Algoritmos Preditivos: Modelos Lineares (Regressão Linear/Logística), Árvores de Decisão, Ensembles e algoritmos baseados em distância (KNN e SVM). 🔶 Algoritmos Descritivos: Agrupamento de dados com K-Means e DBSCAN. 🔶 Métricas de Performance: Avaliação de modelos através de Acurácia, Precisão, Recall, F1-Score, RMSE e MAE. 🔶 O Neurônio Artificial: Perceptron e funções de ativação. 🔶 Redes Neurais Artificiais (ANNs)