Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Colocar modelos de machine learning em produção parece fácil com as ferramentas modernas, mas muitas vezes termina em frustração quando o desempenho em produção é pior do que no desenvolvimento. Este curso vai te dar quatro superpoderes que vão fazer você se destacar na área de ciência de dados e construir pipelines que resistem ao tempo: como ajustar exaustivamente cada aspecto do seu modelo em desenvolvimento; como aproveitar ao máximo a expertise de domínio disponível; como monitorar o desempenho do seu modelo e lidar com qualquer deterioração; e, por fim, como lidar com dados mal ou pouco rotulados. Aprofundando no estado da arte do sklearn e trabalhando com conjuntos de dados reais de áreas em alta, como saúde personalizada e cibersegurança, este curso revela uma visão de machine learning direto da linha de frente.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
O Workflow Padrão
Neste capítulo, você vai relembrar o básico de um workflow de aprendizado supervisionado, com ajuste, seleção e treinamento de modelos, engenharia e seleção de features, e técnicas de divisão de dados. Você vai entender como essas etapas do workflow dependem umas das outras e reconhecer como todas elas podem contribuir para — ou combater — o overfitting: o pior inimigo de quem trabalha com dados. Ao final do capítulo, você já estará fluente em aprendizado supervisionado e pronto para mergulhar em conteúdos mais avançados nos próximos capítulos.
- Pipelines de aprendizagem supervisionada50 XP
- Engenharia de atributos100 XP
- Seu primeiro pipeline100 XP
- Complexidade do modelo e overfitting50 XP
- Grid search CV para complexidade do modelo100 XP
- Número de árvores e estimadores50 XP
- Engenharia de atributos e overfitting50 XP
- Codificações categóricas100 XP
- Transformações de atributos100 XP
- Juntando tudo100 XP
2
O Humano no Loop
No capítulo anterior, você aprimorou seu conhecimento sobre workflows padrão de aprendizado supervisionado. Neste capítulo, você vai analisar criticamente as formas como o conhecimento de especialistas é incorporado no aprendizado supervisionado. Isso é feito pela identificação da unidade de análise apropriada — o que pode exigir engenharia de features a partir de múltiplas fontes de dados —, pelo processo às vezes imperfeito de rotular exemplos e pela especificação de uma função de perda que capture o verdadeiro valor de negócio dos erros cometidos pelo seu modelo de machine learning.
3
Gestão do Ciclo de Vida do Modelo
No capítulo anterior, você incorporou diferentes formas de feedback de especialistas no seu workflow e o avaliou de maneiras alinhadas ao valor de negócio. Agora é hora de praticar as habilidades necessárias para colocar seu modelo em produção e garantir que ele continue com bom desempenho, melhorando-o iterativamente. Você também vai aprender a diagnosticar dataset shift e mitigar o efeito que um ambiente em mudança pode ter na acurácia do seu modelo.
4
Workflows Não Supervisionados
Nos capítulos anteriores, você estabeleceu uma base sólida em aprendizado supervisionado, incluindo o conhecimento de como colocar modelos em produção, mas sempre assumindo que haveria um conjunto de dados rotulado disponível para sua análise. Neste capítulo, você encara o desafio de modelar dados sem rótulos — ou com pouquíssimos rótulos. Isso te leva a uma jornada por detecção de anomalias, um tipo de modelagem não supervisionada, e por aprendizado baseado em distância, onde crenças sobre o que constitui similaridade entre dois exemplos podem substituir rótulos e ajudar você a alcançar níveis de acurácia comparáveis a um workflow supervisionado. Ao concluir este capítulo, você vai se destacar por saber, com segurança, quais ferramentas usar para adaptar seu workflow e superar desafios comuns do mundo real.
Projetando Workflows de Machine Learning em Python
Curso
concluído
