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 estão mais fáceis de implementar do que nunca. Sem a validação adequada, os resultados ao passar novos dados por um modelo podem não ser tão precisos quanto o esperado. A validação de modelos permite que analistas respondam com confiança à pergunta: quão bom é o seu modelo? Vamos responder a essa pergunta para modelos de classificação usando o conjunto completo de cenários de fim de jogo do tic-tac-toe e, para modelos de regressão, usando o conjunto de dados do ranking definitivo de doces de Halloween do fivethirtyeight. Neste curso, vamos abordar o básico de validação de modelos, discutir várias técnicas de validação e começar a desenvolver ferramentas para criar modelos validados e de alto desempenho.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Modelagem básica no scikit-learn
Antes de validar modelos, precisamos entender como criá-los e trabalhar com eles. Este capítulo apresenta a execução de modelos de regressão e classificação no scikit-learn. Vamos usar essa base de construção de modelos ao longo dos capítulos restantes.
- Introdução à validação de modelos50 XP
- Etapas de modelagem50 XP
- Dados vistos vs. não vistos100 XP
- Modelos de regressão50 XP
- Definir parâmetros e ajustar um modelo100 XP
- Importância das variáveis100 XP
- Modelos de classificação50 XP
- Predições de classificação100 XP
- Reutilizando parâmetros do modelo100 XP
- Classificador random forest100 XP
2
Noções básicas de validação
Este capítulo foca nos fundamentos da validação de modelos. Desde dividir os dados em conjuntos de treinamento, validação e teste até construir o entendimento do trade-off viés-variância, vamos criar a base para as técnicas de validação K-Fold e Leave-One-Out praticadas no capítulo três.
3
Validação cruzada
Conjuntos de holdout são um ótimo começo para validar modelos. Porém, usar um único conjunto de treino e teste muitas vezes não é suficiente. A validação cruzada é considerada o padrão-ouro para validar o desempenho do modelo e é quase sempre usada ao ajustar hiperparâmetros. Este capítulo foca em realizar validação cruzada para validar o desempenho do modelo.
4
Selecionando o melhor modelo com ajuste de hiperparâmetros.
Os três primeiros capítulos focaram em técnicas de validação de modelos. No capítulo 4, aplicamos essas técnicas — em especial a validação cruzada — enquanto aprendemos sobre ajuste de hiperparâmetros. Afinal, a validação de modelos torna o ajuste possível e nos ajuda a selecionar o melhor modelo no geral.
Validação de Modelos em Python
Curso
concluído
