Tutorial de aprendizado de máquina

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.

Este guia explica a intuição matemática por trás da função tanh, como ela se compara à sigmoide e à ReLU, suas vantagens e desvantagens, e como implementá-la de forma eficaz no aprendizado profundo.

Este guia explica as propriedades matemáticas do Softplus, suas vantagens e desvantagens, implementação no PyTorch e quando mudar do ReLU.

As redes neurais feed-forward (FFNNs) são a base do aprendizado profundo, usadas em reconhecimento de imagens, transformadores e sistemas de recomendação. Este tutorial completo sobre FFNN explica sua arquitetura, diferenças em relação às MLPs, ativações, retropropagação, exemplos reais e implementação em PyTorch.

Dá uma olhada no KL-Divergence, uma das ferramentas mais comuns e essenciais usadas em machine learning.

Aprenda o que é Estimativa de Máxima Verossimilhança (MLE), entenda seus fundamentos matemáticos, veja exemplos práticos e descubra como implementar MLE em Python.

Aprenda a diferenciar sensibilidade e especificidade, e quando usar cada uma. Tem exemplos práticos.

Explore o que é subajuste, como diagnosticar um modelo subajustado e descubra estratégias práticas sobre como corrigir o subajuste, garantindo que seus modelos capturem com precisão os padrões de dados e forneçam previsões confiáveis.

Aprenda a engenharia de recursos com este guia prático. Explore técnicas como codificação, dimensionamento e manipulação de valores ausentes em Python.