Introdução
Nem todos os modelos são equações matemáticas simples que podem ser traçadas como uma linha. Em vez disso, alguns modelos complexos são mais fáceis de pensar mais como fluxogramas ou estruturas de programação tradicionais. Esses modelos geralmente têm níveis extras de personalização disponíveis, o que pode torná-los mais poderosos, embora também mais complicados de trabalhar. Ao longo desses exercícios, vamos explorar isso manipulando como os modelos funcionam e são treinados. Embora nos concentremos em um tipo de modelo, os princípios gerais ensinados aqui também se aplicam a muitos outros tipos de modelo.
Cenário: Previsão de resultados esportivos usando aprendizado de máquina
Ao longo deste módulo, nos referiremos ao cenário de exemplo a seguir enquanto explicamos os conceitos em torno da arquitetura do modelo e dos hiperparâmetros. Este cenário foi projetado para parecer complexo no início, mas à medida que os exercícios progridem, aprenderemos como você pode enfrentá-lo usando um pouco de pensamento crítico e experimentação.
O lema dos Jogos consiste em três palavras latinas: Citius - Altius - Fortius. Estas palavras significam Mais rápido - Mais alto - Mais forte. Desde que este lema foi estabelecido, a variedade de jogos cresceu enormemente para incluir tiro, vela e esportes coletivos. Gostaríamos de explorar o papel que as características físicas básicas ainda desempenham na previsão de quem ganha uma medalha em um dos eventos esportivos mais prestigiados do planeta. Para isso, vamos explorar a ginástica rítmica: uma adição moderna aos jogos que combina dança, ginástica e calistenia. Pode-se esperar que as características básicas de idade, altura e peso desempenhem apenas um papel limitado, dada a necessidade de agilidade, flexibilidade, destreza e coordenação. Vamos usar alguns modelos de aprendizado de máquina mais avançados para ver o quão críticos esses fatores básicos realmente são.
Pré-requisitos
- Familiaridade com modelos de aprendizagem automática
Objetivos de aprendizagem
Neste módulo, irá:
- Descubra novos tipos de modelos: árvores de decisão e florestas aleatórias.
- Saiba como a arquitetura do modelo pode afetar o desempenho.
- Pratique trabalhar com hiperparâmetros para melhorar a eficácia do treino.