Entenda a ciência de dados para aprendizado de máquina
O Microsoft Learn oferece várias formas interativas de obter uma introdução à clássica aprendizagem automática. Estes percursos de aprendizagem tornam-no produtivo e são também uma excelente base para avançar para tópicos de aprendizagem profunda.
Desde os modelos de machine learning clássico mais básicos, passando pela análise de dados exploratória, até à personalização de arquiteturas, será orientado por um conteúdo conceptual fácil de consumir e por blocos de notas Jupyter interativos, tudo sem sair do browser.
Escolha o seu próprio percurso, dependendo da sua formação e dos seus interesses.
Opção 1: O curso completo: Noções básicas da ciência de dados para machine learning
Este percurso é o recomendado para a maioria das pessoas. Tem os mesmos módulos que os outros dois percursos de aprendizagem com um fluxo personalizado que maximiza o reforço dos conceitos. Se quiser saber mais sobre os conceitos subjacentes e aprender a criar modelos com as ferramentas de machine learning mais comuns, este é o percurso certo para si. Também é o percurso indicado se planear não se limitar ao machine learning clássico e estudar aprendizagem profunda e redes neurais, que aqui só são abordadas de forma introdutória.
✔ Opção 2: O caminho Compreender a ciência de dados para aprendizagem automática
Se procura entender como funciona o machine learning, mas as suas habilitações não incluem matemática, este percurso é o certo para si. Não requer habilitações avançadas (a não ser uma ligeira familiaridade com os conceitos de programação) e ensina através de código, metáforas e imagens que explicam tudo facilmente. É prático, mas centra-se mais na compreensão das noções básicas e menos no poder das ferramentas e das bibliotecas disponíveis.
✔ Está neste percurso. Navegue para baixo para começar.
Opção 3: O caminho de aprendizagem Criar modelos de aprendizagem de aprendizagem de modelos de aprendizagem de máquina
Se já tem uma ideia do que é o machine learning ou se tiver habilitações avançadas em matemática, pode ser mais indicado avançar diretamente para o percurso de aprendizagem Criar Modelos de Machine Learning. Este módulos ensinam alguns conceitos de machine learning, mas progridem rapidamente para abordarem o potencial de ferramentas como Scikit-learn, TensorFlow e PyTorch. Este percurso de aprendizagem também é o mais indicado para si se quiser ter apenas um determinado nível de conhecimento para compreender exemplos de machine learning para produtos como o Azure ML ou o Azure Databricks.
Pré-requisitos
Nenhuma
Código de Feito
Pretende pedir um código de feito?
Módulos neste percurso de aprendizagem
Uma descrição geral de alto nível sobre a machine learning para pessoas com poucos ou nenhuns conhecimentos sobre estatísticas e ciência da computação. Você aprenderá alguns conceitos essenciais, explorará dados e passará interativamente pelo ciclo de vida do aprendizado de máquina, usando Python para treinar, salvar e usar um modelo de aprendizado de máquina, assim como no mundo real.
A aprendizagem supervisionada é uma forma de machine learning onde um algoritmo aprende com exemplos de dados. Explicamos progressivamente a forma como a aprendizagem supervisionada gera automaticamente um modelo que pode efetuar predições sobre o mundo real. Também abordamos como esses modelos são testados e as dificuldades que podem surgir ao treiná-los.
O poder dos modelos de machine learning tem origem nos dados que são utilizados para os preparar. Através de conteúdos e exercícios, exploramos como compreender os seus dados, como codificá-los para que o computador os possa interpretar corretamente, como limpar eventuais erros e dicas que o ajudarão a criar modelos de alto desempenho.
A regressão é possivelmente a técnica de machine learning mais utilizada e é conhecida por destacar descobertas científicas, pelo planeamento empresarial e pela análise do mercado de ações. Este material de aprendizagem explora algumas análises comuns de regressão simples e mais complexas. Além disso, fornece algumas informações sobre como avaliar o desempenho de modelos.
Quando pensamos em machine learning, muitas vezes concentramo-nos no processo de preparação. Uma pequena quantidade de preparação antes deste processo pode não só acelerar e melhorar a aprendizagem, mas também dar-nos alguma confiança sobre como os nossos modelos funcionarão quando confrontados com dados que nunca vimos antes.
Classificação significa atribuir itens em categorias, ou também pode ser pensado em tomada de decisão automatizada. Aqui, apresentamos os modelos de classificação através da regressão logística, ao fornecer-lhe informações sobre métodos de classificação mais complexos e entusiasmantes.
Os modelos mais complexos podem ser personalizados manualmente para melhorar a sua eficácia. Através de exercícios e conteúdos explicativos, exploramos de que forma a alteração da arquitetura de modelos mais complexos pode trazer resultados mais eficazes.
Como sabemos se um modelo é bom ou mau na classificação dos nossos dados? A forma como os computadores avaliam o desempenho de modelos às vezes pode ser difícil de compreender ou pode simplificar demasiado a forma como o modelo se irá comportar no mundo real. Para criar modelos que funcionem de forma satisfatória, precisamos de encontrar formas intuitivas de os avaliar e de compreender como estas métricas podem influenciar a nossa visão.
As curvas caraterísticas do operador recetor são uma ótima forma de avaliar e ajustar modelos de classificação preparados. Apresentamos e explicamos a utilidade destas curvas através de conteúdos de aprendizagem e exercícios práticos.