Episódio

Procurando Correlação: A Chave para a Regressão Linear [Parte 11] | Machine Learning para iniciantes

por Bea Stollnitz

Aprendizado de máquina para iniciantes

Neste vídeo, Bea Stollnitz, principal defensora da nuvem da Microsoft, explica o conceito de correlação e como ele é essencial para previsões de regressão linear bem-sucedidas. Este vídeo faz parte da nossa série Machine Learning for Beginners, onde abordamos vários tópicos de aprendizado de máquina e sua implementação usando código Python em notebooks Jupyter.

Neste vídeo, você aprenderá:

  • O que é correlação e como ela é medida
  • Como avaliar a correlação entre duas variáveis usando gráficos de dispersão
  • Como calcular valores de correlação usando código
  • A importância da correlação para predições de regressão linear

Vamos orientá-lo através do processo de visualização da correlação entre variáveis usando gráficos de dispersão e calcular valores de correlação usando código Python. Ao final do vídeo, você entenderá a importância da correlação forte para fazer previsões precisas com regressão linear e como identificar possíveis correlações em seus dados.

Fique atento para o próximo vídeo desta série, onde vamos nos aprofundar em vários tópicos de aprendizado de máquina e guiá-lo através de sua implementação usando código Python em notebooks Jupyter. Até lá!

Capítulos

  • 00:00 – Introdução
  • 00:15 - O que é correlação?
  • 00:34 - Correlação de cálculo utilizando a função Corr
  • 00:42 - Entendendo os resultados da correlação e correlação positiva e negativa
  • 01:22 - Calcular correlação no código
  • 01:58 - Verificar correlação com um gráfico de dispersão
  • 02:20 - Verificar correlação usando código
  • 02:29 - Procure padrões no gráfico de dispersão
  • 03:04 - Procure correlação usando dados filtrados
  • Este curso é baseado no currículo gratuito e de software livre om 26 lições de ML para iniciantes da Microsoft.
  • O Caderno Jupyter para acompanhar esta lição está disponível!

Conectar

Azure Machine Learning
Python