Reforce sua capacidade de resolver problemas com scikit-learn em sete desafios intermediários de completar código. Cada desafio fornece arquivos iniciais e requisitos TODO concretos e pede que você implemente funções de treino, avaliação, ajuste, interpretação ou visualização.
As 20 etapas abrangem aprendizagem supervisionada e não supervisionada: métricas, Naive Bayes, KNN, curvas de validação, árvores, regressão linear e regularizada e três métodos de clustering. Cada tarefa possui verificação automática e solução de referência.
O que você aprenderá
- Avaliar classificação com acurácia, precisão, recall e F1 e regressão com MSE, MAE, RMSE e R²
- Criar um scorer personalizado e usar um Pipeline SVR escalado com busca em grade
- Treinar Gaussian Naive Bayes com Iris, escalar atributos, comparar variantes Gaussian, Multinomial e Bernoulli e gerar matriz de confusão
- Dividir Iris, treinar KNN, avaliar previsões e buscar um valor melhor de
k - Gerar curvas para
max_depth, escolher profundidade pela validação cruzada, retreinar e testar uma árvore - Preparar Iris em pandas, ajustar
DecisionTreeClassifiere resumir precisão, recall e F1 - Ajustar regressão linear aos CSV fornecidos, calcular métricas e comparar Ridge e Lasso com validação cruzada
- Aplicar K-means, clustering aglomerativo e DBSCAN ao Iris, comparar silhouette scores e visualizar agrupamentos
Para quem é este curso
Este curso é destinado a estudantes de Python e scikit-learn que concluíram exercícios introdutórios de modelagem e desejam implementação mais independente. Você deve conseguir ler código inicial, completar funções, interpretar requisitos e depurar verificações que falharam.
Pré-requisitos: Recomendam-se Python, estruturas NumPy ou pandas, divisão de treino/teste, fit e predict e conceitos básicos de classificação e regressão. Os desafios não ensinam sintaxe Python desde o início.
Ambiente de aprendizagem: Os sete desafios são executados em um WebIDE Ubuntu 22.04. Eles contêm 20 tarefas intermediárias, cada uma com verificação automática e solução. Seis ambientes fixam scikit-learn 1.2.2; o desafio de métricas fixa 1.1.3 e NumPy abaixo de 2 por seus exercícios legados de Boston Housing.
Perguntas frequentes
São adequados como primeira introdução ao scikit-learn?
Não é o ideal. Embora o curso esteja marcado como iniciante, os sete desafios são individualmente intermediários e começam com código orientado a TODO. Faça primeiro fundamentos guiados se fit, predict, métricas e divisões de dados forem novos.
Quanto de orientação e feedback é fornecido?
Cada tarefa descreve as funções ou saídas necessárias e fornece arquivos iniciais, mas você implementa a lógica ausente. Cada uma das 20 etapas possui uma verificação automática e uma solução de referência.
Quais conjuntos de dados são usados?
Vários desafios reutilizam Iris. As métricas também usam Breast Cancer e o antigo Boston Housing, enquanto a regressão linear fornece seus próprios CSV. É prática focada em algoritmos, não uma visão geral de grandes dados de produção.
O código funcionará sem mudanças na versão mais recente?
Nem todo. O desafio de métricas instala deliberadamente scikit-learn 1.1.3 porque importa o carregador Boston Housing removido depois; os demais fixam 1.2.2. Trate esse exercício como específico de versão e use um conjunto atualmente suportado ao adaptar o código.
