Episódio

Análise de Dados e Preparação para Regressão Logística [Parte 15] | Machine Learning para Iniciantes

com o Bea Stollnitz

Machine Learning para Iniciantes

Junte-se a Bea Stollnitz, principal defensora da nuvem na Microsoft, enquanto ela demonstra como analisar e preparar dados para construir um modelo de regressão logística. Neste vídeo, vamos trabalhar com o conjunto de dados de abóbora usado em vídeos anteriores, com o objetivo de prever se uma abóbora é laranja ou branca com base em suas características 🎃.

O que você vai aprender:

  • Como explorar e limpar o conjunto de dados
  • Como visualizar os dados com Seaborn
  • Como transformar recursos categóricos usando codificação ordinal e one-hot
  • Como usar codificadores de rótulos

Neste vídeo, você aprenderá como analisar os dados, realizar as limpezas necessárias e transformar recursos categóricos em um formato adequado para regressão logística. Usaremos Seaborn para visualização e demonstraremos como criar gráficos de barras e gráficos de enxame para entender a relação entre as características da abóbora.

Fique atento ao próximo vídeo desta série, onde usaremos esses dados preparados para construir um modelo preditivo. Até lá!

Capítulos

  • 00:00 - Introdução
  • 00:28 - O notebook que estamos usando
  • 00:57 - Investigar o conjunto de dados de abóbora
  • 01:08 - Limpeza de dados no conjunto de dados de abóbora usando pandas
  • 01:20 - Visualize dados usando seaborn
  • 02:23 - Transformação de dados para características categóricas
  • 03:05 - Transformando o tamanho da abóbora usando um codificador ordinal
  • 03:27 - Transformando recursos categóricos usando uma codificação a quente
  • 04:03 - Transformando etiquetas usando um codificador de etiquetas
  • 04:25 - Usando uma parcela de gato nascido no mar e uma parcela de enxame

Ligar

Azure Machine Learning
Python