TREINAMENTO

Modelagem Preditiva Avançada com Minitab

Lean Seis Sigma

Este curso capacita os participantes no uso de técnicas avançadas de aprendizado de máquina dentro do Minitab Statistical Software, permitindo a aplicação prática de CART (Classification and Regression Trees), Random Forest, TreeNet (Gradient Boosting) e MARS (Multivariate Adaptive Regression Splines). A abordagem combina teoria e prática, focando na otimização de processos e previsão de resultados, capacitando profissionais a identificar padrões ocultos nos dados, melhorar a tomada de decisões e aumentar a eficiência operacional.

Ao final do curso, os participantes terão conhecimento inicial sobre seleção e ajuste de modelos preditivos, interpretação de resultados e aplicação em diferentes cenários organizacionais, tornando-se aptos a transformar dados em insights acionáveis para otimização contínua.

*A Setec possui parceria Internacional com o Minitab

Capacitar os participantes no uso de técnicas avançadas de aprendizado de máquina dentro do Minitab Statistical Software, incluindo CART (Classification and Regression Trees), Random Forest, TreeNet (Gradient Boosting) e MARS (Multivariate Adaptive Regression Splines), aplicadas à otimização de processos e previsão de resultados.

Profissionais de qualidade, engenharia de processos, melhoria contínua, data science e analytics que desejam utilizar o Minitab para modelagem preditiva avançada e tomada de decisão baseada em dados.

Dia 1 – Fundamentos e Aplicação Prática de Modelos de Árvore

Manhã – Introdução à Modelagem de Árvores e CART

Fundamentos das Árvores de Decisão
- Conceitos básicos e aplicações industriais
- Diferença entre modelos lineares e não lineares
CART – Classification and Regression Trees
- Construção e interpretação de árvores de decisão
- Critérios de divisão: Gini, Entropia, Redução de Variância
- Poda da árvore e ajuste de hiperparâmetros
- Aplicação prática no Minitab: Análise de dados reais

Tarde – Modelos Ensemble e Random Forest

Random Forest: Conceitos e Implementação
- Diferença entre CART e Random Forest
- Como minimizar sobreajuste (overfitting)
- Importância das variáveis e interpretação dos resultados
- Ajuste de hiperparâmetros e otimização do modelo
- Aplicação no Minitab: Classificação e regressão em cenários complexos

Dia 2 – Modelos Avançados e Aplicações Industriais

Manhã – TreeNet e Boosting Models

TreeNet (Gradient Boosting)
- Diferença entre Random Forest e TreeNet
- Como funciona o aprendizado sequencial
- Ajuste de taxa de aprendizado e número de árvores
- Aplicação no Minitab: Otimização preditiva com boosting

Tarde – Modelos Não Lineares com MARS

MARS (Multivariate Adaptive Regression Splines)
- Como MARS lida com dados não lineares
- Ajuste automático de interações entre variáveis
- Interpretação e ajustes do modelo
- Aplicação no Minitab: Modelagem e previsão em cenários reais
Comparação e Seleção de Modelos Preditivos
- Benchmarking entre CART, Random Forest, TreeNet e MARS
- Melhor escolha para diferentes tipos de problemas
Sessão Final: Estudos de Caso e Hands-on
- Resolução de um problema real do mercado utilizando os quatro modelos
- Discussão de insights e aplicações estratégicas

Treinamento In Company:

O treinamento In Company é realizado diretamente nas instalações da sua empresa ou online, proporcionando uma experiência personalizada que atende às necessidades específicas da sua organização. Os certificados são emitidos digitalmente.

Treinamento Aberto:

As inscrições podem ser feitas online ou pelo telefone. No momento da inscrição, basta imprimir o boleto, ou pagar via PagSeguro. O vencimento se dá uma semana antes do início do curso. A realização do curso está sujeita a formação de quórum, e a Setec confirmará o curso com até 5 dias úteis de antecedência via e-mail. Em caso de desistência com menos de 5 dias úteis da realização do treinamento, haverá cobrança de multa de 40% do valor da inscrição. Para cancelamentos após o início do treinamento, a Setec informa que não haverá restituição do valor pago.

Confira os diferenciais dos