Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Aprimore suas habilidades em Machine Learning com scikit-learn e descubra como usar essa popular biblioteca do Python para treinar modelos com dados rotulados. Neste curso, você vai aprender a fazer previsões poderosas, como identificar se um cliente vai churn da sua empresa, se uma pessoa tem diabetes e até como classificar o gênero de uma música. Usando conjuntos de dados do mundo real, você vai aprender a construir modelos preditivos, ajustar seus parâmetros e determinar como eles vão se sair com dados nunca vistos.Os vídeos têm transcrições ao vivo, que você pode exibir clicando em "Show transcript" no canto inferior esquerdo dos vídeos.
O glossário do curso está disponível à direita, na seção de recursos.Para obter créditos de CPE, você precisa concluir o curso e alcançar uma pontuação de 70% na avaliação qualificada. Você pode acessar a avaliação clicando no aviso de créditos de CPE à direita.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Classificação
Neste capítulo, você vai ser apresentado a problemas de classificação e aprender a resolvê-los com técnicas de aprendizado supervisionado. Você vai aprender a dividir os dados em conjuntos de treino e teste, ajustar um modelo, fazer previsões e avaliar a acurácia. Você vai descobrir a relação entre complexidade do modelo e desempenho, aplicando o que aprender a um conjunto de dados de churn, no qual você vai classificar o status de churn dos clientes de uma empresa de telecom.
- Aprendizado de máquina com o scikit-learn50 XP
- Classificação binária50 XP
- Fluxo de trabalho de aprendizado supervisionado100 XP
- O desafio da classificação50 XP
- k vizinhos mais próximos: ajuste100 XP
- k vizinhos mais próximos: previsão100 XP
- Avaliação do desempenho do modelo50 XP
- Divisão em treinamento/teste + cálculo da precisão100 XP
- Sobreajuste e subajuste100 XP
- Visualização da complexidade do modelo100 XP
2
Regressão
Neste capítulo, você será apresentado à regressão e vai construir modelos para prever valores de vendas usando um conjunto de dados sobre gastos com publicidade. Você vai aprender a mecânica da regressão linear e métricas de desempenho comuns, como R-quadrado e raiz do erro quadrático médio. Você vai realizar validação cruzada k-fold e aplicar regularização a modelos de regressão para reduzir o risco de overfitting.
3
Aprimorando seu modelo
Depois de treinar modelos, agora você vai aprender a avaliá-los. Neste capítulo, você será apresentado a várias métricas, além de uma técnica de visualização para analisar o desempenho de modelos de classificação usando scikit-learn. Você também vai aprender a otimizar modelos de classificação e regressão por meio de ajuste de hiperparâmetros.
4
Pré-processamento e Pipelines
Aprenda a imputar valores ausentes, converter dados categóricos em valores numéricos, escalar dados, avaliar vários modelos de aprendizado supervisionado simultaneamente e criar pipelines para agilizar seu fluxo de trabalho!
Aprendizado Supervisionado com scikit-learn
Curso
concluído
