Machine Learning Tutorial

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.

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.