Desenvolva uma base ampla de classificação supervisionada clássica em dez notebooks Jupyter. Você estudará como os principais algoritmos decidem, implementará mecanismos em Python, criará modelos scikit-learn, visualizará resultados e comparará classificadores com validação cruzada.
O curso liga matemática e código: sigmoide e log loss, distâncias e votação KNN, probabilidade bayesiana, margens e kernels SVM, ganho de informação, retropropagação e combinação de modelos. Exercícios reforçam distribuições gaussianas, reconhecimento de dígitos e seleção de modelos.
O que você aprenderá
- Derivar e implementar regressão logística com sigmoide, log loss, gradiente e scikit-learn
- Construir KNN com distâncias e votação, examinando escolha de K e kd-trees
- Aplicar teorema de Bayes, estimativa, Naive Bayes multinomial e distribuições gaussianas
- Comparar SVMs lineares e não lineares e funções kernel comuns
- Implementar perceptron e retropropagação e classificar dígitos com
MLPClassifier - Construir árvores com ganho de informação, poda e scikit-learn
- Treinar Bagging, Random Forest, AdaBoost e Gradient Boosting
- Preparar Abalone e comparar sete classificadores com validação cruzada de 10 dobras
Para quem é este curso
Este curso é para quem já conhece Python e deseja compreender diversos métodos clássicos além de chamar um único estimator. É adequado para avançar de machine learning introdutório à comparação e seleção de modelos. Embora os notebooks sejam marcados como iniciantes, derivações e componentes manuais não são apropriados para quem está começando programação ou álgebra.
Pré-requisitos: Recomendam-se Python, NumPy, Pandas, gráficos e álgebra básica. Probabilidade, derivadas, divisão train/test e conceitos de características e rótulos ajudam.
Ambiente de aprendizagem: As dez atividades são executadas em um ambiente Jupyter Ubuntu 22.04 fornecido, com explicações, visualizações, exemplos scikit-learn, dados e código para completar.
Perguntas frequentes
O curso implementa algoritmos do zero ou usa scikit-learn?
Faz ambos. Vários notebooks programam gradiente logístico, distância e votação KNN, atualizações do perceptron e divisão de árvores, depois usam estimators para treinamento prático.
Quais classificadores são abordados?
Regressão logística, KNN, Naive Bayes, SVM linear e com kernel, perceptrons e MLPs, árvores, Bagging, Random Forest, AdaBoost e Gradient Boosting.
Ensina avaliação e seleção de modelos?
Sim. Os laboratórios calculam precisão e o último notebook prepara Abalone e compara sete famílias com validação cruzada de 10 dobras e parâmetros padrão.
Posso copiar os exemplos para um projeto scikit-learn atual?
O ambiente preparado executa os notebooks, mas alguns exemplos usam imports ou construtores antigos. Em uma instalação nova, consulte a API atual e ajuste nomes ou argumentos obsoletos.
