Labs gratuitos de Machine Learning

Aprendizagem supervisionada. Se você está ouvindo ou lendo este termo pela primeira vez, pode ser completamente obscuro o que significa. Não se preocupe. Neste laboratório, você obterá uma compreensão abrangente da aprendizagem supervisionada; e, no próximo capítulo do experimento, você aprenderá a usar a aprendizagem supervisionada para completar a previsão de dados.

A regressão linear é um método de aprendizado de máquina relativamente simples, mas importante. Dominar o princípio da linearidade e seus métodos de resolução é um dos requisitos fundamentais para lidar com a regressão linear. Além disso, a regressão linear é também a pedra angular da regressão de aprendizado supervisionado. Esperamos que você possa compreender algumas ideias importantes de aprendizado de máquina através deste experimento.

No capítulo sobre regressão linear, discutimos a implementação do código em detalhes, usando exemplos de preços de imóveis em Boston. Neste desafio, você deve usar o conhecimento relevante adquirido com a regressão linear para prever os preços de imóveis em Pequim.

A Regressão Logística é um método de classificação muito básico em machine learning. Graças à sua simplicidade e eficiência, o algoritmo tem sido amplamente utilizado em cenários práticos. Neste curso, exploraremos o princípio da regressão logística e sua implementação algorítmica, e usaremos o scikit-learn para construir um modelo de previsão de classificação por regressão logística.

Entre as previsões de classificação, existem poucos algoritmos baseados na teoria da probabilidade. Naive Bayes é um deles. O algoritmo bayesiano ingênuo é simples de implementar e a eficiência da classificação preditiva é muito alta. Geralmente, Naive Bayes é um algoritmo muito comum. Este capítulo explica principalmente o princípio do algoritmo Naive Bayes a partir do teorema de Bayes e da estimativa de parâmetros, e o combina com dados para implementá-lo. Finalmente, apresentaremos uma aplicação prática.

Implementamos a regressão linear usando três métodos. Este desafio exigirá que você complete o ajuste da regressão polinomial usando TensorFlow e desenhe a curva de ajuste.

A regressão linear é o problema mais simples em aprendizado de máquina. Ao mesmo tempo, a regressão linear está intimamente relacionada às redes neurais artificiais. Neste curso de laboratório, implementaremos a regressão linear usando a API fornecida pelo TensorFlow 2.

Utilizamos a regressão linear como exemplo para demonstrar as novas alterações e funcionalidades do TensorFlow 2. Na verdade, o papel mais importante de frameworks de aprendizado profundo como o TensorFlow é construir redes neurais artificiais. Portanto, este experimento usará o TensorFlow 2 para construir uma rede neural feedforward simples.

Um processo completo de aprendizado profundo consiste em quatro etapas: treinamento do modelo, avaliação do modelo, salvamento do modelo e implantação do modelo. De fato, todo o conteúdo que mencionamos anteriormente focou nas duas primeiras etapas. Neste curso prático, aprenderemos como salvar e restaurar modelos no TensorFlow 2.

Nas duas semanas anteriores do curso, aprendemos o que é aprendizado supervisionado e quais são os diferentes métodos de aprendizado supervisionado. Na próxima semana, você entenderá completamente o aprendizado não supervisionado e aprenderá a usá-lo para realizar a clusterização de dados.

Apresentamos o uso do TensorFlow. Espera-se que você esteja familiarizado com os conceitos de tensor, sessão e grafos computacionais. Neste desafio, tentaremos construir uma estrutura de rede neural multicamadas usando TensorFlow. Não se preocupe; não há nenhuma rede neural profunda envolvida aqui e o foco é se familiarizar com o uso do TensorFlow.

Familiarizamo-nos com os algoritmos comumente usados em regressão e classificação no aprendizado supervisionado. Em seguida, vamos guiá-lo para aprender o aprendizado não supervisionado: agrupamento (clustering). Neste experimento, primeiro explicamos o método de agrupamento baseado em centróides mais comumente usado e, em seguida, apresentamos o algoritmo K-Means mais representativo e outros membros da família em detalhes.

Aprendemos a construir redes neurais usando TensorFlow e demonstramos como usar APIs de baixo nível e o Keras do TensorFlow. Este curso de desafio exige que você complete a construção de uma rede neural rasa de forma independente.

Já aprendemos como usar o TensorFlow para implementar regressão linear e construir uma rede neural rasa. Neste curso de laboratório, focaremos na construção de redes neurais mais profundas, escolhendo VGG - a clássica estrutura de rede neural convolucional como exemplo para realizar a tarefa de classificação Fashion-MNIST. Além disso, o curso também nos ensinará como usar modelos pré-treinados para aprendizado por transferência.

A partir deste capítulo, iniciaremos a jornada do aprendizado profundo (deep learning). A chave para o aprendizado profundo reside na construção de redes neurais profundas. Se você construir sua própria rede neural profunda do zero, o processo será muito complicado. Portanto, para implementar o modelo de aprendizado profundo de forma mais conveniente, precisamos estudar o uso de algumas estruturas comuns. Atualmente, na comunidade de aprendizado profundo, as estruturas mais populares são TensorFlow, Keras, PyTorch, etc., cada uma com suas próprias características únicas. Graças ao suporte do Google e à atividade da grande comunidade de desenvolvedores, o TensorFlow é uma plataforma confiável e atualiza com bastante frequência. Estudar o uso do TensorFlow o ajudará a construir modelos de aprendizado profundo de forma conveniente.