Machine Learning e Ciência de Dados nas Apostas Esportivas
Baseado em 1 avaliações
- 19 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!
"É um bom curso para iniciar o machine learning. A nivel de apostas na minha opinião esperava que tivesse alguns exemplos de analise de jogos futuros."
paulo_barros
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.
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"
Curriculum
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."
Nenhuma descrição cadastrada.
Conteúdo Programático
- 1. Machine Learning • Aprendizado de máquina nas apostas e no futebol
- 2. Introdução à linguagem de programação Python
- 3. Conhecendo o Jupyter Notebook
- 4. Primeiros passos com o Jupyter Notebook
- 5. Apresentação de slides no Jupyter
- 6. Zen do Python, PEP 20 e PEP 8
- 7. Habilitando e trabalhando com extensões
- 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
paulo_barros
É um bom curso para iniciar o machine learning. A nivel de apostas na minha opinião esperava que tivesse alguns exemplos de analise de jogos futuros.
É um bom curso para iniciar o machine learning. A nivel de apostas na minha opinião esperava que tivesse alguns exemplos de analise de jogos futuros.
Cursos Relacionados
Conheça outros cursos que oferecemos para complementar seus estudos.
