Pular para o conteúdo principal

Curso

Machine Learning com caret em R

IntermediárioNível de habilidade

Atualizado 11/2023

Esse curso ensina as principais ideias do machine learning, como construir e avaliar modelos preditivos.

Iniciar curso gratuitamente

RMachine Learning

4 h

24 vídeos

88 Exercícios

6,200 XP

60,670

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Machine Learning é o estudo e a aplicação de algoritmos que aprendem com os dados e fazem previsões. Dos resultados de busca aos carros autônomos, está presente em todas as áreas da nossa vida e é uma das áreas mais empolgantes e de crescimento mais rápido na ciência de dados. Este curso apresenta as grandes ideias de Machine Learning: como construir e avaliar modelos preditivos, como ajustá-los para obter o melhor desempenho, como pré-processar dados para melhorar os resultados e muito mais. Ao longo do curso, você vai usar o popular pacote caret do R, que oferece uma interface consistente para os recursos mais poderosos de Machine Learning no R.

Pré-requisitos

Introduction to Regression in R

1

Modelos de Regressão: Ajustando e Avaliando seu Desempenho

No primeiro capítulo deste curso, você vai ajustar modelos de regressão com train() e avaliar seu desempenho fora da amostra usando validação cruzada e root-mean-square error (RMSE).

Boas-vindas ao curso

RMSE dentro da amostra para regressão linear

RMSE in-sample para regressão linear em diamonds

Medidas de erro fora da amostra

RMSE fora da amostra para regressão linear

Ordenar o data frame aleatoriamente

Experimente uma divisão 80/20

Prever no conjunto de teste

Calcule o RMSE do conjunto de teste na mão

Comparando o RMSE fora da amostra com o RMSE dentro da amostra

Validação cruzada

Vantagem da validação cruzada

Validação cruzada com 10 folds

Validação cruzada 5-fold

Validação cruzada 5 x 5 folds

Fazendo previsões em novos dados

Iniciar capítulo

2

Modelos de Classificação: Ajustando e Avaliando seu Desempenho

Neste capítulo, você vai ajustar modelos de classificação com train() e avaliar seu desempenho fora da amostra usando validação cruzada e a área sob a curva (AUC).

Iniciar capítulo

3

Ajuste de Parâmetros do Modelo para Melhorar o Desempenho

Neste capítulo, você vai usar a função train() para ajustar parâmetros do modelo por meio de validação cruzada e busca em grade.

Random forests e vinho

Random forests vs. modelos lineares

Ajustar um random forest

Explore um espaço de modelos mais amplo

Vantagem de usar um tuneLength maior

Tente um comprimento de ajuste maior

Grades de ajuste personalizadas

Vantagens de uma grade de ajuste personalizada

Ajuste uma random forest com ajuste personalizado

Apresentando o glmnet

Vantagem do glmnet

Crie um trainControl personalizado

Ajuste glmnet com trainControl personalizado

glmnet com grade de ajuste personalizada

Por que usar uma grade de ajuste personalizada?

glmnet com trainControl e ajuste personalizados

Interpretando gráficos do glmnet

Iniciar capítulo

4

Pré-processamento de Dados

Neste capítulo, você vai praticar o uso de train() para pré-processar dados antes de ajustar modelos, aumentando sua capacidade de fazer previsões precisas.

Imputação pela mediana

Imputação pela mediana vs. omissão de linhas

Aplicar imputação pela mediana

Imputação por KNN

Comparando imputação KNN com imputação pela mediana

Use imputação KNN

Compare imputação por KNN e mediana

Vários métodos de pré-processamento

Ordem de operações

Combinando métodos de pré-processamento

Lidando com preditores de baixa informação

Por que remover preditores com variância quase zero?

Remover preditores com variância quase zero

preProcess() e nearZeroVar()

Ajustar modelo nos dados de sangue-cérebro reduzidos

Análise de componentes principais (PCA)

Usando PCA como alternativa ao nearZeroVar()

Iniciar capítulo

5

Seleção de Modelos: Um Estudo de Caso em Predição de Churn

No capítulo final deste curso, você vai aprender a usar resamples() para comparar múltiplos modelos e selecionar (ou combinar) os melhores.

Reutilizando um trainControl

Por que reutilizar um trainControl?

Criar índices personalizados de treino/teste

Reapresentando o glmnet

glmnet como modelo de referência

Ajuste o modelo de referência

Reapresentando random forest

Desvantagem do random forest

Random forest com trainControl personalizado

Comparando modelos

Correspondendo índices de treino/teste

Crie um objeto resamples

Mais sobre resamples

Crie um boxplot (box-and-whisker)

Crie um gráfico de dispersão

Fazendo ensemble de modelos

Iniciar capítulo

Machine Learning com caret em R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Machine Learning com caret em R hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.