Conceitos base da ciência de dados para machine learning

Uma visão geral de alto nível do machine learning para pessoas com pouco ou nenhum conhecimento sobre ciência da computação e estatísticas. Você será apresentado a alguns conceitos essenciais, explorará dados e passará interativamente pelo ciclo de vida do Machine Learning, usando o Python para treinar, salvar e utilizar um modelo de Machine Learning, exatamente como no mundo real.

O aprendizado supervisionado é uma forma de aprendizado de máquina em que um algoritmo aprende com exemplos de dados. Vamos traçar de forma progressiva um panorama de como o aprendizado supervisionado gera automaticamente um modelo que pode fazer previsões sobre o mundo real. Também vamos mencionar a maneira em que esses modelos são testados e as dificuldades que podem surgir ao treiná-los.

O poder dos modelos de machine learning é proveniente dos dados usados para treiná-los. Por meio de conteúdo e exercícios, vamos explorar como entender seus dados, como codificá-los para que o computador possa interpretá-los corretamente, como limpá-los de erros, além de dicas que vão ajudar você a criar modelos de alto desempenho.

A exploração e a análise de dados estão no centro da ciência de dados. Os cientistas de dados exigem habilidades em linguagens de programação como Python para explorar, visualizar e manipular dados.

A regressão talvez seja a técnica de machine learning mais usada, e costuma estar na raiz de descobertas científicas, do planejamento de negócios e da análise do mercado de ações. Esse material de aprendizagem aprofunda algumas análises de regressão comuns, tanto simples quanto mais complexas, e fornece alguns insights sobre como avaliar o desempenho de um modelo.

Quando pensamos em aprendizado de máquina, geralmente nos concentramos no processo de treinamento. Alguma preparação antes desse processo pode não só acelerar e melhorar o aprendizado, mas também nos dar confiança a respeito de como nossos modelos funcionarão quando nos depararmos com alguns dados que nunca vimos antes.

Regressão é um tipo de aprendizado de máquina usado normalmente para prever valores numéricos.

Classificação significa atribuir itens a categorias ou também pode ser pensada na tomada de decisão automatizada. Aqui, apresentamos modelos de classificação por meio da regressão logística, fornecendo um passo a passo para métodos de classificação mais complexos e empolgantes.

Em geral, modelos mais complexos podem ser personalizados manualmente para aprimorar a eficácia deles. Por meio de exercícios e conteúdo explicativo, vamos explorar como a alteração da arquitetura de modelos mais complexos pode trazer resultados mais eficazes.

Como sabemos se um modelo é bom ou ruim na classificação de nossos dados? Às vezes, pode ser difícil compreender a maneira como os computadores avaliam o desempenho do modelo, ou isso posso simplificar a forma como o modelo se comportará no mundo real. Para criar modelos que funcionam de maneira satisfatória, precisamos encontrar maneiras intuitivas de avaliá-los e entender como essas métricas podem desviar nossa exibição.

As curvas de características de operação do receptor são uma forma avançada de avaliar e ajustar os modelos de classificação treinados. Apresentaremos e explicaremos a utilidade dessas curvas por meio de conteúdo de aprendizado e exercícios práticos.

A classificação é um tipo de aprendizado de máquina usado para categorizar itens em classes.

Clustering é um tipo de machine learning usado para agrupar itens semelhantes em clusters.

O aprendizado profundo é uma forma avançada de aprendizado de máquina que emula a maneira como o cérebro humano aprende pelas redes de neurônios conectados.