Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Prepare-se para sua entrevista sobre machine learning
Você já pensou em como se preparar direitinho para uma entrevista sobre machine learning? Neste curso, você vai preparar respostas para 15 perguntas comuns sobre machine learning (ML) em Python para uma entrevista de emprego como cientista de dados.Essas questões vão girar em torno de sete tópicos importantes: pré-processamento de dados, visualização de dados, aprendizado supervisionado, aprendizado não supervisionado, conjunto de modelos, seleção de modelos e avaliação de modelos.
Atualize seus conhecimentos sobre machine learning
Você vai começar trabalhando com questões de pré-processamento e visualização de dados. Depois de fazer todas as etapas de pré-processamento, você vai criar um modelo de ML preditivo para aprimorar suas habilidades práticas.Depois, você vai ver algumas técnicas de aprendizado supervisionado antes de passar para o aprendizado não supervisionado. Dependendo da função, você provavelmente vai falar sobre os dois assuntos na sua entrevista de machine learning.
Por fim, você vai terminar falando sobre como escolher e avaliar modelos, vendo como avaliar o desempenho para generalização de modelos e conhecendo várias técnicas enquanto constrói um modelo de conjunto.
Respostas práticas para as perguntas mais comuns em entrevistas sobre machine learning
Ao final do curso, você vai ter tanto o conhecimento teórico necessário quanto a habilidade de desenvolver código Python para responder com sucesso a essas 15 perguntas.Os exemplos de codificação serão principalmente baseados no pacote scikit-learn, por ser fácil de usar e cobrir as técnicas mais importantes de machine learning na linguagem Python.
O curso não ensina os fundamentos do machine learning, pois eles são abordados nos pré-requisitos do curso.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Pré-processamento e visualização de dados
No primeiro capítulo deste curso, você vai executar todas as etapas de pré-processamento necessárias para criar um modelo preditivo de machine learning, incluindo o que fazer com valores ausentes, outliers e como normalizar seu conjunto de dados.
- Tratando dados ausentes50 XP
- A caça aos valores ausentes100 XP
- Imputação simples100 XP
- Imputação iterativa100 XP
- Distribuições de dados e transformações50 XP
- Distribuições e transformações no conjunto de treino vs. teste50 XP
- Distribuições de treino/teste100 XP
- Transformações log e de potência100 XP
- Outliers nos dados e escalonamento50 XP
- Detecção de outliers100 XP
- Lidando com outliers100 XP
- Padronização por Z-score100 XP
2
Aprendizado supervisionado
No segundo capítulo deste curso, você vai praticar diversos aspectos de técnicas de aprendizado supervisionado, como selecionar o subconjunto ideal de variáveis, aplicar regularização para evitar overfitting, realizar engenharia de atributos e usar modelos em conjunto (ensemble) para lidar com o chamado trade-off viés-variância.
3
Aprendizado não supervisionado
No terceiro capítulo deste curso, você vai usar aprendizado não supervisionado para aplicar técnicas de extração de atributos e visualização para redução de dimensionalidade, além de métodos de clusterização para selecionar não apenas um algoritmo adequado, mas também o número ideal de clusters para um conjunto de dados.
4
Seleção e avaliação de modelos
No quarto e último capítulo deste curso, você vai elevar o nível e aplicar bootstrapping e validação cruzada para avaliar o desempenho visando à generalização do modelo, técnicas de reamostragem para classes desbalanceadas, detectar e remover multicolinearidade e construir um modelo em conjunto (ensemble).
Praticando perguntas de entrevista de Machine Learning em Python
Curso
concluído
