Machine Learning Tutorial

Este artigo aborda como e quando você deve usar a classificação k-nearest neighbors com o scikit-learn. Com foco em conceitos, fluxo de trabalho e exemplos. Também abordamos as métricas de distância e como selecionar o melhor valor para k usando a validação cruzada.

Explore a arquitetura dos Transformers, os modelos que revolucionaram o tratamento de dados por meio de mecanismos de autoatenção.

Este artigo aborda como e quando você deve usar a classificação Random Forest com o scikit-learn. Com foco em conceitos, fluxo de trabalho e exemplos. Também abordamos como usar a matriz de confusão e as importâncias dos recursos.

Um guia detalhado para a previsão de séries temporais. Aprenda a usar python e estruturas de suporte. Saiba mais sobre a modelagem estatística envolvida.

Descubra o poder do XGBoost, uma das estruturas de aprendizado de máquina mais populares entre os cientistas de dados, com este tutorial passo a passo em Python.

Neste tutorial, você aprenderá sobre Support Vector Machines, um dos algoritmos de aprendizado de máquina supervisionado mais populares e amplamente usados.

Aprenda sobre PCA e como ele pode ser aproveitado para extrair informações dos dados sem nenhuma supervisão usando dois conjuntos de dados populares: Câncer de mama e CIFAR-10.

Este artigo ensina a você sobre otimização numérica, destacando diferentes técnicas. Ele discute os pacotes Python, como SciPy, CVXPY e Pyomo, e fornece um notebook DataLab prático para você executar exemplos de código.

Compreender e implementar o otimizador Adam em Python. Com o PyTorch, você aprenderá a intuição, a matemática e as aplicações práticas do machine learning

Com o Boosting, você melhora o desempenho do machine learning corrigindo erros sequencialmente e combinando alunos fracos em preditores fortes.

Saiba como realizar a validação de dados e modelos para garantir um desempenho robusto de machine learning usando nosso guia passo a passo para automatizar testes com o DeepChecks.

Este tutorial abrangente ensina você a usar o AWS SageMaker para criar, treinar e implantar modelos de machine learning. Nós guiamos você por todo o fluxo de trabalho, desde a configuração do seu ambiente AWS e a criação de uma instância de notebook do SageMaker até a preparação de dados, modelos de treinamento e sua implementação como endpoints.