Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
O Kaggle é a plataforma mais conhecida para competições de Data Science. Participar dessas competições permite trabalhar com conjuntos de dados do mundo real, explorar diversos problemas de Machine Learning, competir com outros participantes e, por fim, adquirir uma experiência prática valiosa. Neste curso, você vai aprender como abordar e estruturar qualquer competição de Data Science. Você será capaz de escolher o esquema correto de validação local e evitar overfitting. Além disso, vai dominar técnicas avançadas de engenharia de atributos junto com abordagens de combinação de modelos (ensembles). Todas essas técnicas serão praticadas em conjuntos de dados de competições do Kaggle.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Processo das competições no Kaggle
Neste primeiro capítulo, você vai conhecer o processo de uma competição no Kaggle. Você vai treinar um modelo e preparar um arquivo CSV pronto para envio. Você vai aprender a diferença entre as divisões de teste públicas e privadas, e como prevenir overfitting.
- Visão geral das competições50 XP
- Explorar os dados de treino100 XP
- Explore os dados de teste100 XP
- Prepare sua primeira submissão50 XP
- Determinar o tipo de problema50 XP
- Treine um modelo simples100 XP
- Prepare uma submissão100 XP
- Placar público vs. privado50 XP
- Qual modelo está sofrendo overfitting?50 XP
- Treine modelos XGBoost100 XP
- Explorando overfitting com XGBoost100 XP
2
Mergulhe na competição
Agora que você conhece o básico sobre competições do Kaggle, vai aprender a estudar o problema específico em questão. Você praticará EDA e definirá estratégias corretas de validação local. Você também vai aprender sobre vazamento de dados.
3
Engenharia de atributos
Agora você vai explorar diferentes tipos de atributos. Vai modificar atributos existentes e criar novos. Além disso, vai tratar os dados ausentes de forma adequada.
4
Modelagem
Hora de juntar tudo e construir alguns modelos! Neste último capítulo, você vai criar um modelo base, depois ajustar alguns hiperparâmetros e melhorar seus resultados com ensembles. Em seguida, receberá dicas e truques finais para competir com mais eficiência.
Vencendo uma competição do Kaggle em Python
Curso
concluído
