Machine Learning e Ciência de Dados nas Apostas Esportivas

Machine Learning e Ciência de Dados nas Apostas Esportivas

Baseado em 6 avaliações
  • 63 Alunos matriculados
  • 20 Horas de duração
  • 112 Aulas
  • 18 Módulos
  • 14 Avaliações
  • 1 ano de suporte
  • Certificado de conclusão
Parcele em 12x R$ 19,90 (ou R$ 199,00 à vista)
Comprar Agora Dê um passo adiante em sua carreira!
"Muito bom "
Jose
mais avaliações

Nesse curso você irá aprender desde as noções básicas da linguagem de programação Python até os conceitos mais avançados de data science e machine learning.

Se você ao fazer as suas apostas já pensou que a estatística poderia ser uma grande aliada para melhorar os seus resultados, você estava certo! E nesse curso você terá contato com ferramentas poderosas para cálculos estatísticos e análise de dados! Não importa se você é iniciante e nunca programou na vida, iremos partir do básico e qualquer um poderá aprender os conceitos até conseguir construir os seus próprios algoritmos.

4 anos Sem tempo para fazer o curso agora? Não tem problema.
Você poderá participar desse curso até 4 anos após a matrícula.

Esse curso é voltado para todos que queiram aprender com exercícios práticos sobre Python, ciência de dados e machine learning.

Gabriel Fonseca
"Cientista de dados no Clube da Aposta"


Cientista de dados no Clube da Aposta

Mestrando na Universidade Federal de Lavras 

Graduado em Engenharia Mecatrônica pelo CEFET-MG

Entusiasta e apaixonado por Python, Análise de dados e Machine Learning

Humberto Alves
"Humberto fundou o Clube da Aposta em 2010 e dedica-se a Machine Learning e Programação com foco no desenvolvimento de métodos e ferramentas nas apostas."

Jonas Caetano
"Jonas Caetano é um dos melhores tipsters do mundo, com reconhecimento internacional através de plataformas como a Blogabet."

   
Nenhuma descrição cadastrada.

Conteúdo Programático

  • 1. Variáveis e o tipo inteiro
  • 2. Tipo ponto flutuante
  • 3. Tipo string e booleano
  • 4. Tipos containers
  • 5. Conversão de tipo
  • 6. Exercícios
  • Quiz • Introdução e Tipos primitivos
  • 1. Comentários e Função Input
  • 2. Operações matemáticas básicas
  • 3. Ordem de Avaliação dos Operadores
  • 4. Exercícios
  • 5. Operadores relacionais e expressões lógicas
  • 6. Operadores booleanos e de filiação
  • 7. Estrutura de Decisão
  • 8. Exercícios
  • Quiz • Operações matemáticas, booleanas e estruturas de decisão
  • 1. Listas, tuplas e conjuntos
  • 2. Métodos e funções para listas
  • 3. Estruturas de repetição
  • 4. Exercícios
  • 5. Slicing, format e fstrings
  • 6. Métodos e funções
  • 7. Iteração em strings
  • 8. Exercícios
  • Quiz • Strings e estruturas de repetição
  • 1. Acessando elementos de dicionários
  • 2. Métodos e funções
  • 3. Iterando dicionários
  • 4. Exercícios
  • 5. Funções definidas pelo usuário
  • 6. Argumentos
  • 7. Variáveis locais e globais
  • 8. Funções anônimas
  • 9. Funções built-in
  • 10. Exercícios
  • Quiz • Dicionários e funções
  • 1. Principais erros em Python
  • 2. Tratando exceções
  • 3. Onde pesquisar sobre os erros
  • 4. Exercícios
  • 5. Instalando módulos externos
  • 6. Biblioteca Padrão do Python - Alguns módulos
  • 7. Exercícios
  • 8. Função built-in open()
  • 9. Usando a biblioteca csv
  • 10. Exercícios
Aqui você pode baixar os arquivos utilizados durante o curso de Ciência de dados e Machine Learning
  • 1. Planilha Fellabot e Jupyter Notebook
  • 1. Introdução à Numpy para apostadores
  • 2. Média das odds e dos valores apostados
  • 3. Retorno potencial das apostas com multiplicação de arrays
  • 4. Média ou mediana das odds?
  • 5. Buscando ajuda na comunidade e na documentação
  • Quiz • Introdução ao Numpy para apostadores
  • 1. Introdução ao Pandas
  • 2. Criando o nosso primeiro DataFrame
  • 3. Calculando o lucro potencial em um DataFrame
  • 4. Calculando a probabilidade aproximada das odds
  • Quiz • Introdução ao Pandas
  • 1. Pandas Apply e Lambda Expressions
  • 2. Números aleatórios com expressões lambda
  • 3. Aposta perdida ou ganha - Lambda Expressions e Apply
  • 4. Criando uma função para retornar os lucros ou prejuízos das apostas
  • 5. Aplicando a função de lucros e prejuízos em nossos dados
  • Quiz • Pandas Apply e Lambda Expressions
  • 1. Abrindo arquivos Excel com Python
  • 2. Estatística Descritiva das apostas do Fellabot
  • 3. As variáveis e os seus tipos em um Dataframe
  • 4. O resultado das apostas do Fellabot
  • Quiz • Trabalhando com as apostas do Fellabot
  • 1. Trabalhando os DataFrames a partir de iterações
  • 2. Iterando o nosso conjunto de dados
  • 3. Utilizando o Pandas Iterrows
  • 4. Obtendo o Mandante e o Visitante da Partida
  • 5. Mandante e Visitante utilizando Apply
  • 6. Exportando as apostas para Excel
  • Quiz • Iterando DataFrames
  • 1. Criando filtros para as nossas apostas
  • 2. Filtrando pela quantidade de gols
  • 3. Aplicando filtros nas apostas do Fellabot
  • Quiz • Filtrando dados
  • 1. Como saber se um mercado deu lucro
  • 2. Resultados agrupados por mercados com Groupby
  • 3. Agregando os resultados por média, soma e contagem
  • Quiz • Agrupando Dados
  • 1. Estatísticas descritivas por mercado
  • 2. Taxa de acertos e breakeven odds
  • 3. Roi Total e Roi por mercado
  • 4. Percentual investido em cada mercado
  • 5. Analisando o resultado de cada campeonato
  • 6. Erros - Aplicando o principio de Pareto aos campeonatos
  • 7. Quais os intervalos de odds mais e menos lucrativos
  • 8. Conclusões que podemos tirar com os dados
  • Quiz • Cálculos estatísticos nas apostas esportivas
  • 1. Gráfico de linha
  • 2. Gráfico de Barras
  • 3. Apostar Somente em Tendências
  • 4. Elo Score
  • 5. Gráfico de Dispersão e Heatmap
  • 6. Elo Score nas Apostas Esportivas
  • Quiz • Visualização de dados
  • 1. Extraindo dados da internet - parte 1
  • 2. Extraindo dados da internet - parte 2
  • 3. Extraindo dados da internet - parte 3
  • 4. Regressão - Teoria
  • 5. Regressão - Pré-processamento dos dados
  • 6. Regressão - LinearRegression
  • 7. Regressão - ElasticNet
  • 8. Regressão - KNN
  • 9. Regressão - Hiperparametrização e Validação Cruzada
  • 10. Regressão - Fazendo previsões
  • 11. Regressão Material Complementar
  • Quiz • Regressão
  • 1. Usando dados de API
  • 2. Tratando os dados
  • 3. Adicionando o Elo Score
  • 4. Análise exploratória
  • 5. K-fold e Random Forest
  • 6. Hiperparametrização
  • 7. Logistic Regression
Voltar ao topo