Tutorial de aprendizado de máquina

Neste tutorial, você aprenderá como implementar redes neurais convolucionais (CNNs) em Python com o Keras e como superar o excesso de ajuste com o dropout.

Entenda os conceitos básicos do aprendizado por reforço (RL) e explore o pacote de software Gymnasium para criar e testar algoritmos de RL usando Python.

Entenda os principais conceitos de mapas auto-organizáveis e saiba como implementá-los em Python usando o MiniSom.

Saiba como instalar e configurar o banco de dados MySQL dentro de contêineres do Docker. O tutorial inclui conceitos como conexão com servidores MySQL, execução de clientes MySQL para conexão com contêineres e assim por diante.

Aprenda os primeiros princípios da otimização da política proximal, incluindo sua implementação no PyTorch com o Gymnasium!

Saiba mais sobre o Snowflake Cortex AI e como ele pode ser usado para LLMs e aprendizado de máquina.

Um guia para você entender e implementar o algoritmo de pesquisa A* em Python. Veja como você pode criar soluções eficientes para problemas complexos de pesquisa com exemplos práticos de código. Aprenda estratégias de otimização usadas em ambientes de produção.

Uma alternativa leve e sem daemon ao Docker Desktop que simplifica o gerenciamento de contêineres, permitindo treinamento, avaliação e implantação rápidos de modelos de aprendizado de máquina.

A equação de Bellman é um conceito fundamental no aprendizado por reforço que ajuda os agentes a tomar decisões em situações complexas, avaliando possíveis estados e recompensas futuras. Este artigo examina seus princípios matemáticos, seus usos no mundo real e sua importância na criação de políticas ideais nos processos de decisão de Markov.

Saiba como prever o vencedor da eleição presidencial de 2024 nos EUA usando Python, aprendizado de máquina e dados do FiveThirtyEight e da Comissão Eleitoral Federal.

O aprendizado de máquina é complexo e, muitas vezes, difícil de entender. Ao visualizar modelos de aprendizado de máquina, você pode obter um ótimo nível de compreensão do desempenho do modelo e das decisões que o modelo toma ao fazer previsões.

Aprenda a técnica de otimização Adagrad, incluindo seus principais benefícios, limitações, implementação no PyTorch e casos de uso para otimizar modelos de aprendizado de máquina.