Aprendizado de máquina aplicado em Python

coursera.inc

coursera.inc

Aprendizado de máquina aplicado em Python

Descrição

Este curso apresentará ao aluno o aprendizado de máquina aplicado, concentrando-se mais nas técnicas e métodos do que nas estatísticas por trás desses métodos. O curso começará com uma discussão sobre como o aprendizado de máquina é diferente da estatística descritiva e apresentará o kit de ferramentas scikit learning por meio de um tutorial. A questão da dimensionalidade dos dados será discutida e a tarefa de agrupar dados, bem como avaliar esses clusters, será abordada. Abordagens supervisionadas para a criação de modelos preditivos serão descritas e os alunos serão capazes de aplicar os métodos de modelagem preditiva do scikit, enquanto compreendem os problemas do processo relacionados à generalização de dados (por exemplo, validação cruzada, superajuste).

 

O curso terminará com uma visão de técnicas mais avançadas, como construção de ensembles e limitações práticas de modelos preditivos. Ao final deste curso, os alunos serão capazes de identificar a diferença entre uma técnica supervisionada (classificação) e não supervisionada (agrupamento), identificar qual técnica eles precisam aplicar para um determinado conjunto de dados e necessidade, projetar recursos para atender a essa necessidade e escrever código python para realizar uma análise.

 

Este curso deve ser feito após Introdução à Ciência de Dados em Python e Plotagem Aplicada, Gráficos e Representação de Dados em Python e antes de Mineração de Texto Aplicada em Python e Análise Social Aplicada em Python.

 

Certificados compartilháveis e 100% on-line

Aproximadamente 35 horas para concluir

Curso em: Inglês

Legendas: Árabe, francês, português (europeu), italiano, vietnamita, coreano, alemão, russo, inglês, espanhol

Kevyn Collins -Thompson
Professor associado
Escola de Informationsyllabus

Módulos e Conteúdo

Módulo 1: Fundamentos do aprendizado de máquina - Introdução ao Scikit Learn

- Este módulo apresenta conceitos básicos de aprendizado de máquina, tarefas e fluxo de trabalho usando um problema de classificação de exemplo com base no método dos vizinhos mais antigos e implementado usando a biblioteca Scikit-Learn.

Módulo 2: Aprendizado de máquina supervisionado - Parte 1

- Este módulo investiga uma variedade maior de métodos de aprendizado supervisionado para classificação e regressão, aprendizado sobre a conexão entre a complexidade do modelo e o desempenho da generalização, a importância do escala adequado de recursos e como controlar a complexidade do modelo aplicando técnicas como regularização para evitar o excesso de ajuste. Além dos vizinhos mais parecidos, esta semana abrange regressão linear (mínimos quadrados, cume, lasso e regressão polinomial), regressão logística, máquinas vetoriais de suporte, uso de validação cruzada para avaliação de modelos e árvores de decisão.

Módulo 3: Avaliação

- Este módulo abrange métodos de avaliação e seleção de modelos que você pode usar para ajudar a entender e otimizar o desempenho dos seus modelos de aprendizado de máquina.

Módulo 4: Aprendizado de máquina supervisionado - Parte 2

- Este módulo abrange métodos de aprendizado supervisionado mais avançados que incluem conjuntos de árvores (florestas aleatórias, árvores aumentadas por gradiente) e redes neurais (com um resumo opcional sobre aprendizado profundo). Você também aprenderá sobre o problema crítico do vazamento de dados no aprendizado de máquina e como detectá -lo e evitá -lo.

Pré-requisitos

Este curso apresentará ao aluno o aprendizado de máquina aplicado, concentrando-se mais nas técnicas e métodos do que nas estatísticas por trás desses métodos. O curso começará com uma discussão sobre como o aprendizado de máquina é diferente da estatística descritiva e apresentará o kit de ferramentas scikit learning por meio de um tutorial. A questão da dimensionalidade dos dados será discutida e a tarefa de agrupar dados, bem como avaliar esses clusters, será abordada. Abordagens supervisionadas para a criação de modelos preditivos serão descritas e os alunos serão capazes de aplicar os métodos de modelagem preditiva do scikit, enquanto compreendem os problemas do processo relacionados à generalização de dados (por exemplo, validação cruzada, superajuste). O curso terminará com uma visão de técnicas mais avançadas, como construção de ensembles e limitações práticas de modelos preditivos. Ao final deste curso, os alunos serão capazes de identificar a diferença entre uma técnica supervisionada (classificação) e não supervisionada (agrupamento), identificar qual técnica eles precisam aplicar para um determinado conjunto de dados e necessidade, projetar recursos para atender a essa necessidade e escrever código python para realizar uma análise. Este curso deve ser feito após Introdução à Ciência de Dados em Python e Plotagem Aplicada, Gráficos e Representação de Dados em Python e antes de Mineração de Texto Aplicada em Python e Análise Social Aplicada em Python.

Avaliações

Avaliações

Não há avaliações ainda.

Seja o primeiro a avaliar “Aprendizado de máquina aplicado em Python”

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Institucional

PHP Code Snippets Powered By : XYZScripts.com