Prever a presença em oficinas é um curso prático para quem já conhece pandas e regressão básica. Um estúdio comunitário precisa estimar a presença sete dias antes para preparar materiais. Você construirá uma análise repetível que usa somente informações disponíveis no momento adequado, mede erros reais e compara um modelo pequeno com uma referência simples.
Dois laboratórios guiados apresentam prazo de previsão, congelamento do treino, avaliação por datas, tratamento de valores ausentes aprendido só no treino e um Pipeline curto de regressão. Um desafio independente aplica os mesmos mecanismos a outra temporada. Cada unidade tem dados preparados próprios; arquivos e processos não passam entre laboratórios. Os 165 minutos totais são uma estimativa do autor incluindo leitura e correções comuns, não tempo medido com iniciantes.
O que você aprenderá
- Distinguir retratos de reservas a sete dias de reservas finais e leituras posteriores ao evento.
- Congelar o treino antes das datas posteriores de previsão e reservar oficinas posteriores rotuladas para avaliar.
- Ajustar pré-processamento de valores ausentes no treino e reutilizá-lo sem aprender do conjunto reservado.
- Comparar previsões contínuas com uma mediana de treino usando MAE em pessoas.
- Associar valores reais, previsões e erros desenhados por ID de oficina.
- Exportar previsões futuras sem fingir que seus resultados são conhecidos.
Para quem é este curso
Para quem deseja transformar regressão básica em um pequeno fluxo honesto de planejamento.
Pré-requisitos: Funções Python, entrada no terminal, seleção e junções pandas, regressão básica Scikit-learn, separação treino/teste e Matplotlib introdutório. Recomenda-se Choosing Opening Hours from Data para praticar interpretação dos dados e seus limites.
Ambiente de aprendizagem: Um WebIDE no navegador contém CSV sintéticos originais, Python, pandas, NumPy, Scikit-learn e Matplotlib. Não é preciso instalação local nem conta externa de dados. Programas, saídas e rótulos de interface continuam em inglês.
Perguntas frequentes
O modelo precisa vencer a referência?
Não. Uma comparação correta pode mostrar que ele não agrega valor. O objetivo é uma avaliação verdadeira, não uma pontuação exigida.
Vou ajustar muitos modelos?
Não. Você usa um pequeno fluxo de imputação média e regressão linear. As decisões principais são o que se sabe, quando e o significado dos erros.
São previsões de produção?
Não. Os pequenos conjuntos são material sintético original. Demonstram um fluxo reproduzível sem estabelecer confiabilidade para um local real.
