Compreender a ciência dos dados para a aprendizagem automática

Iniciante
Engenheiro de IA
Cientista de Dados
Programador
Estudante
Azure

O Microsoft Learn fornece várias formas interativas de obter uma introdução ao clássico machine learning. Estes caminhos de aprendizagem vão fazer com que você seja produtivo por si mesmo, e também são uma excelente base para passar para tópicos de aprendizagem profunda.

Desde os modelos de machine learning clássicos mais básicos, à análise exploratória de dados e personalização de arquiteturas, você será guiado por conteúdos conceptuais fáceis de digerir e cadernos interativos jupyter, tudo sem sair do seu navegador.

Escolha o seu próprio caminho dependendo da sua formação e interesses.

Opção 1: O curso completo: Fundações da ciência dos dados para a aprendizagem automática

Este caminho é recomendado para a maioria das pessoas. Tem todos os mesmos módulos que os outros dois caminhos de aprendizagem com um fluxo personalizado que maximiza o reforço de conceitos. Se quiser aprender sobre os conceitos subjacentes e como entrar na construção de modelos com as ferramentas de aprendizagem automática mais comuns, este caminho é para si. É também o melhor caminho se planeia mover-se para além do clássico machine learning, e obter uma educação em deep learning e redes neurais, que só apresentamos aqui.

✔ Opção 2: A ciência dos dados para o caminho de aprendizagem de aprendizagem automática

Se procura entender como funciona a aprendizagem automática e não tem muito passado matemático, então este caminho é para si. Não faz suposições sobre educação anterior (além de uma leve familiaridade com conceitos de codificação) e ensina com código, metáfora e visual que lhe dão o momento ah ha. É prático, mas centra-se mais na compreensão dos fundamentos e menos no poder das ferramentas e bibliotecas disponíveis.

✔ Está neste caminho, desça para começar.

Opção 3: O caminho de aprendizagem de modelos de aprendizagem de modelos de aprendizagem de máquinas Create

Se já tem alguma ideia do que é a aprendizagem automática ou tem um forte passado matemático, é melhor gostar de saltar diretamente para o caminho de aprendizagem dos Modelos de Aprendizagem de Máquinas . Estes módulos ensinam alguns conceitos de aprendizagem automática, mas movem-se rapidamente para que possam chegar ao poder de usar ferramentas como scikit-learn, TensorFlow e PyTorch. Este caminho de aprendizagem também é o melhor para si se procura familiaridade suficiente para entender exemplos de aprendizagem automática para produtos como Azure ML ou Azure Databricks.

Pré-requisitos

Nenhuma

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. Irá conhecer alguns conceitos fundamentais, explorar dados e analisar interativamente o ciclo de vida da machine learning com o Python para preparar, guardar e utilizar um modelo de machine learning como faria 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 tocámos na forma como estes modelos são testados e nas dificuldades que podem surgir na sua formação.

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 possa interpretá-los corretamente, como corrigir os seus erros, bem como dicas que ajudam a criar modelos que funcionam bem.

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. Alguma 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 para a 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.

Modelos mais complexos podem ser manualmente personalizados 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.