Plataforma Online: INTEL
Este curso fornece uma visão geral dos fundamentos do aprendizado de máquina na arquitetura Intel® moderna. Os tópicos abordados incluem:
-
Revisar os tipos de problemas que podem ser resolvidos.
-
Compreender os blocos de construção.
-
Aprender os fundamentos da construção de modelos em aprendizado de máquina.
-
Explorar algoritmos-chave.
Ao final deste curso, os alunos terão conhecimento prático de:
-
Algoritmos de aprendizagem supervisionada.
-
Conceitos-chave como sub- e over-fitting, regularização e validação cruzada.
-
Como identificar o tipo de problema a ser resolvido, escolher o algoritmo certo, ajustar parâmetros e validar um modelo.
-
Introdução ao jupyter notebook
-
Células mágicas do jupyter
-
Atalhos de teclado Jupyter
-
Tornando os notebooks Jupyter reutilizáveis
-
Introdução ao pandas
-
Criação e indexação da série Pandas
-
Tipos de dados e imputação do Pandas
-
Criação e métodos do Pandas DataFrame
-
Indexando linhas do DataFrame
-
Indexando Colunas DataFrame
-
Lendo dados com Pandas
-
Atribuindo novos dados a um DataFrame
-
Aplicando uma função a uma coluna DataFrame
-
Concatenando dois DataFrames
-
Estatísticas agregadas com GroupBy
-
Realizando cálculos estatísticos
-
Amostragem de DataFrames
-
Bibliotecas de visualização
-
Gráficos de dispersão básicos com Matplotlib
-
Histogramas com Matplotlib
-
Personalizando gráficos Matplotlib
-
Incorporando cálculos estatísticos
-
Plotagem estatística com Seaborn
- Objetivos do aprendizado
_ Explicar a aprendizagem supervisionada e como ela pode ser aplicada a problemas de regressão e classificação
_ Aplicar o algoritmo K-Nearest Neighbor (KNN) para classificação
-
O que é aprendizado de máquina?
-
Aprendizado de máquina em nossas vidas diárias
-
Tipos de aprendizado de máquina
-
Tipos de aprendizado supervisionado
-
Visão geral da aprendizagem supervisionada
-
Regressão: Respostas Numéricas
-
Classificação: Respostas Categóricas
-
Vocabulário de aprendizado de máquina
-
K – Nearest Neighbors
_ O que é classificação?
_ O que é necessário para classificação?
_ Classificação K dos vizinhos mais próximos
_ O que é necessário para selecionar um modelo KNN?
_ Limite de decisão dos vizinhos mais próximos K
_ O valor de 'K' afeta o limite de decisão
_ Medição de distância em KNN
_ Distância euclidiana
_ Distância Euclidiana (Distância L2)
_ Distância de Manhattan (L1 ou distância do quarteirão)
_ A escala é importante para medição de distância
_ Comparação de métodos de dimensionamento de recursos
_ Dimensionamento de recursos: a sintaxe
_ Limite de decisão KNN multiclasse
_ Regressão com KNN
_ Características de um modelo KNN
_ K vizinhos mais próximos: a sintaxe