Aprenda em sete notebooks Jupyter como regressão supervisionada transforma dados rotulados em previsões numéricas. Você avançará do conceito de aprendizado supervisionado para mínimos quadrados, características polinomiais, comparação por erro e regularização Ridge e LASSO.
O curso combina derivações com Python e scikit-learn. Exemplos de moradias, vacinas, Bitcoin e matrizes sintéticas permitem ajustar curvas, avaliar previsões, reconhecer complexidade prejudicial e entender mudanças de coeficientes pela regularização.
O que você aprenderá
- Distinguir aprendizado supervisionado, regressão e classificação
- Derivar mínimos quadrados e implementar regressão linear com NumPy
- Ajustar modelos lineares a moradias de Boston e Pequim
- Avaliar previsões imobiliárias e inspecionar coeficientes
- Criar características polinomiais, comparar ajustes e escolher grau pelo erro
- Ajustar Bitcoin de 2010–2018 com polinômios de terceiro e maior grau
- Explicar mínimos quadrados mal condicionados e comparar Ridge e LASSO
- Calcular coeficientes Ridge diretamente e comparar com scikit-learn
Para quem é este curso
Este curso é para estudantes de Python que desejam compreender a mecânica da regressão, sem tratar estimators como caixas-pretas. É adequado para iniciar aprendizado supervisionado conectando fórmulas, matrizes, gráficos e APIs. As derivações e tarefas exigem mais que o primeiro dia de Python.
Pré-requisitos: Recomendam-se Python, NumPy, Pandas, gráficos, álgebra e operações matriciais simples. Dados train/test e funções ajudam; experiência prévia em regressão não é necessária.
Ambiente de aprendizagem: As sete atividades usam um ambiente Jupyter Ubuntu 22.04 fornecido com explicações, visualizações, dados, exemplos e código para completar.
Perguntas frequentes
O curso deriva fórmulas ou só usa scikit-learn?
Faz ambos. Você calcula mínimos quadrados e Ridge, implementa etapas com NumPy e SciPy e compara com scikit-learn.
Quais exemplos de previsão estão incluídos?
Moradias de Boston e Pequim, dados de vacinas, Bitcoin histórico e uma matriz de Hilbert que mostra instabilidade.
Como os modelos são avaliados?
Com dados reservados, comparações visuais, erro absoluto médio e erro quadrático médio, comparando vários graus polinomiais.
O laboratório de Bitcoin prevê preços atuais ou dá orientação financeira?
Não. Ele ajusta curvas a dados de 2010–2018 como exercício de regressão, não sendo sistema ao vivo nem ferramenta de investimento.
