Tutorial de aprendizado de máquina

Um guia conceitual sobre o kernel trick — o que é, como ele potencializa SVMs e outros modelos baseados em kernel, e quando usá-lo em vez de outras abordagens para modelagem não linear.

Um guia prático sobre regularização em machine learning — o que é, como funciona e quando usar L1, L2 e Elastic Net para criar modelos que generalizam.

Entenda como o algoritmo Apriori funciona, seus conceitos-chave e como usá-lo com eficiência para análise de dados e tomada de decisão.

Descubra como os Vision Transformers (ViTs) usam patch embeddings e autoatenção pra superar as CNNs na classificação moderna de imagens. Este tutorial detalhado explica a arquitetura ViT, fornece código Python passo a passo e mostra quando escolher ViTs para projetos reais de visão computacional.

Chega de gradientes que desaparecem e modelos tendenciosos. Aprenda a normalizar dados usando min-max e z-score no Scikit-learn para melhorar os modelos de machine learning.

Aprenda a implementar o DBSCAN, entenda seus principais parâmetros e descubra quando aproveitar seus pontos fortes únicos em seus projetos de ciência de dados.

Neste tutorial, você vai aprender sobre classificação por árvore de decisão, medidas de seleção de atributos e como criar e otimizar um classificador por árvore de decisão usando o pacote Python Scikit-learn.

Precisão não é suficiente. Aprenda a diferença entre precisão e recall, entenda a relação entre eles e escolha a métrica certa para o seu modelo.

Aprenda o que são funções de custo e como e quando usá-las. Tem exemplos práticos.

Aprenda a converter modelos para o formato ONNX, otimizá-los com quantização e implantá-los em qualquer plataforma — de dispositivos de ponta a servidores em nuvem — sem ficar preso a um único fornecedor.

Entenda como a pontuação F1 avalia o desempenho do modelo combinando precisão e recall. Aprenda como usar isso em classificação binária e multiclasse, com exemplos em Python.

Descubra como o UMAP simplifica a visualização de dados de alta dimensão com explicações detalhadas, casos práticos e comparações com outros métodos de redução de dimensionalidade, incluindo t-SNE e PCA.