Matricule-se
CURSO

Modelos de Classificação e Regressão

Entenda o que são modelos de classificação e regressão em Machine Learning, como eles aprendem e como criá-los na prática.

  • Cursos
  • Modelos de Classificação e Regressão

Descrição do Curso

Dê os primeiros passos no mundo de Machine Learning com o curso Modelos de Classificação e Regressão, da Asimov Academy!

Aprenda a criar sistemas capazes de prever vendas de e-commerce, identificar números escritos à mão e avaliar a performance de anúncios utilizando técnicas avançadas de classificação e regressão.

O curso se inicia com a apresentação de modelos de classificação binária e uso de métricas essenciais para avaliar o seu desempenho. Avançamos para modelos de classificação multiclasse e multilabel, entendendo como os modelos podem prever múltiplas classes e atributos simultaneamente.

Seguimos para a regressão linear, onde o gradiente descendente estocástico (Stochastic Gradient Descent ou SGD) é apresentado como um importante algoritmo de treinamento de Machine Learning. Por fim, são abordadas as regressões polinomiais, regressões logísticas e regressões Softmax, fundamentais para a classificação de dados categóricos.

Com este curso, você estará equipado para enfrentar desafios reais de Machine Learning, utilizando modelos de classificação e regressão para extrair insights valiosos dos dados e tomar decisões informadas. Seja você é um entusiasta, um profissional em busca de aprimoramento ou um estudante de ciência de dados, este curso é o caminho para dominar as técnicas essenciais e impulsionar sua carreira na área de Inteligência Artificial.

Você vai aprender

  • Classificação com o conjunto de dados MNIST
  • Classificador binário: introdução e medida de acurácia
  • Métricas essenciais para um modelo de classificação
  • Classificação multiclasse e multilabel
  • Regressão linear
  • Gradient descent
  • Regressões polinomiais
  • Balanço viés-variância
  • Ridge regression
  • Regressão logística
  • Regressão Softmax
  • Projeto: Regressão linear em dados de E-commerce
  • Projeto: Regressão logística em dados de publicidade

Este curso é recomendado para

  • Iniciantes em Machine Learning buscando entender classificação/regressão
  • Profissionais que desejam aprimorar habilidades em análise preditiva
  • Estudantes de ciência de dados em busca dos fundamentos de Machine Learning
  • Analistas de dados interessados em previsão e modelagem
  • Desenvolvedores procurando aplicar Machine Learning em projetos
  • Entusiastas de tecnologia interessados em inteligência artificial

Professores

Avatar de Rodrigo Tadewald Rodrigo Tadewald

Conteúdo do Curso

1 Modelos de classificação
Conteúdo do módulo 1.1 - Apresentação do curso – Modelos de Classificação 25xp 1.2 - MNIST 25xp 1.3 - Explorando o dataset 25xp 1.4 - O classificador binário 25xp 1.5 - Medindo a acurácia de um modelo binário 25xp 1.6 - Métricas essenciais para modelos de classificação 25xp 1.7 - Métricas de classificação no Python 25xp 1.8 - Classificação Multiclasse 25xp 1.9 - Classificação Multilabel 25xp
2 Como os modelos de Machine Learning aprendem?
Conteúdo do módulo 2.1 - Apresentação do módulo 25xp 2.2 - Regressão Linear 1 25xp 2.3 - Regressão Linear 2 25xp 2.4 - A equação normal para resolução de regressões lineares 25xp 2.5 - A equação normal na prática 25xp 2.6 - Gradient Descent 25xp 2.7 - Implementando o Gradient Descent 25xp 2.8 - Regressões Polinomiais 1 25xp 2.9 - Regressões Polinomiais 2 25xp 2.10 - Balanço Viés-Variância 25xp 2.11 - Ridge Regression 25xp 2.12 - Ridge Regression na Prática 25xp 2.13 - Regressão Logística 25xp 2.14 - O custo de uma regressão logística 25xp 2.15 - Regressão logística na prática 25xp 2.16 - Regressão Softmax 25xp 2.17 - Como treinar um modelo de Softmax? 25xp 2.18 - Entropia 25xp 2.19 - Cross Entropy 25xp 2.20 - Treinando Modelo de Cross Entropy 25xp
3 Regressão Linear em dados de E-commerce
Conteúdo do módulo 3.1 - Apresentação do projeto – Regressão linear 25xp 3.2 - Análise exploratória dos dados de Ecommerce 25xp 3.3 - Treinando o modelo de regressão 25xp
4 Regressão Logística em dados de publicidade
Conteúdo do módulo 4.1 - Apresentação do projeto – Regressão Logística 25xp 4.2 - Análise exploratória dos dados de publicidade 25xp 4.3 - Treinando o modelo de regressão logística 25xp
Intermediário 7h 35 aulas Certificado de conclusão Suporte com professores 2006 Participantes 200xp

Este curso faz parte das trilhas

Pré-requisitos