Neste curso, você aprenderá como usar scikit-learn para construir modelos preditivos a partir de dados. Você explorará os conceitos básicos de machine learning e verá como usar scikit-learn para resolver problemas de aprendizagem supervisionada e não supervisionada. Você também aprenderá como avaliar modelos, ajustar parâmetros e evitar armadilhas comuns. Você trabalhará com exemplos de problemas de machine learning usando conjuntos de dados do mundo real.
🎯 Tarefas
Neste curso, você aprenderá:
- Como usar modelos lineares, análise discriminante linear e quadrática, e técnicas de aprendizagem estatística para resolver problemas de machine learning
- Como aplicar kernel ridge regression, support vector machines (SVMs) e stochastic gradient descent (descida de gradiente estocástico) para tarefas de aprendizagem supervisionada
- Como realizar aprendizagem não supervisionada, incluindo a busca por representações dos dados
- Como trabalhar com dados de texto e usar Gaussian processes (processos gaussianos) e técnicas de cross decomposition (decomposição cruzada)
- Como usar naive Bayes e decision trees (árvores de decisão) para tarefas de classificação
🏆 Conquistas
Após concluir este curso, você será capaz de:
- Implementar uma variedade de algoritmos de machine learning usando scikit-learn
- Avaliar e ajustar o desempenho de seus modelos
- Aplicar técnicas apropriadas de machine learning para resolver problemas do mundo real
- Compreender os pontos fortes e as limitações de diferentes abordagens de machine learning
