Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Modelos de Machine Learning baseados em árvores conseguem revelar relações não lineares complexas nos dados e frequentemente dominam competições de Machine Learning. Neste curso, você vai usar o pacote tidymodels para explorar e construir diferentes modelos baseados em árvores — de árvores de decisão simples a florestas aleatórias complexas. Você também vai aprender a usar boosted trees, uma técnica poderosa de Machine Learning que aplica aprendizado de conjunto para criar modelos preditivos de alto desempenho. Ao longo do caminho, você vai trabalhar com dados de saúde e de risco de crédito para prever a incidência de diabetes e o churn de clientes.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Árvores de classificação
Pronto para montar um pipeline real de Machine Learning? Faça exercícios passo a passo para aprender a criar árvores de decisão, dividir seus dados e prever quais pacientes têm maior probabilidade de desenvolver diabetes. Por fim, você vai criar medidas de desempenho para avaliar seus modelos e validar suas previsões.
- Bem-vindo ao curso!50 XP
- Por que métodos baseados em árvores?100 XP
- Especifique essa árvore100 XP
- Treine esse modelo100 XP
- Como fazer sua árvore crescer50 XP
- Divisão treino/teste100 XP
- Evitando desbalanceamentos de classe100 XP
- Do zero ao avançado100 XP
- Prever e avaliar50 XP
- Fazer previsões100 XP
- Decifre a matriz100 XP
- Você está prevendo corretamente?100 XP
2
Árvores de regressão e validação cruzada
Preparado para um pouco de chocolate? Use um conjunto de dados de avaliações de chocolate para construir árvores de regressão e avaliar seu desempenho com medidas de erro adequadas. Você vai superar as incertezas estatísticas de divisões simples treino/teste aplicando técnicas como validação cruzada e, depois, vai se aprofundar dominando o balanceamento entre viés e variância.
3
Hiperparâmetros e modelos de conjunto
Hora de levar a sério a busca pelos melhores hiperparâmetros e a interpretação de curvas ROC (receiver operating characteristic). Neste capítulo, você vai aproveitar a sabedoria do conjunto com modelos como bagging e random forests e construir ensembles que preveem quais clientes de cartão de crédito têm maior probabilidade de churn.
4
Boosted Trees
Pronto para a alta sociedade dos modelos baseados em árvores? Aplique gradient boosting para criar ensembles poderosos que superam tudo o que você já viu ou construiu. Aprenda a fazer o ajuste fino e a comparar diferentes modelos para escolher um vencedor para produção.
R
Machine Learning com modelos baseados em árvores em R
Curso
concluído
