Carregando

do primeiro conceito à prática com confiança

Aprendizado de máquina

Ensine modelos a partir de dados, meça o que eles aprendem e monitore o que acontece depois.

Começar a aprender 11 aulas · primeira aula com cerca de 18 min · grátis · sem cadastro
Sobre esta trilha

Aprenda como as máquinas aprendem com exemplos - e como saber se elas realmente aprenderam. Você vai formular problemas, preparar features sem vazar a resposta e treinar regressão linear e logística com um gradiente descendente escrito por você.

Depois, vai ver o overfitting acontecer, escolher modelos com validação cruzada, ler matrizes de confusão e curvas ROC, construir árvores de decisão e ensembles, agrupar dados com k-means, montar uma pequena rede neural e monitorar um modelo em produção em busca de drift e de erros desiguais. Widgets interativos deixam você ajustar taxas de aprendizado, aumentar graus de polinômios e avançar passo a passo pelo k-means; toda lição termina com Python (e numpy) rodando no seu navegador, e o projeto final constrói um classificador completo de inadimplência em empréstimos.

Antes de começar
  • Não é preciso ter experiência com aprendizado de máquina.
  • Saber um pouco de Python ajuda; o numpy é apresentado ao longo do caminho.
  • Familiaridade com a álgebra da escola; as fórmulas são explicadas passo a passo.

Sua trilha

0 de 11 aulas · 0%

Restaurando seu progresso…

Carregando progresso…
  1. Unidade 1 · 0/4 aulas

    Fundamentos de ML

    Formule problemas, prepare features e treine regressão linear e logística com gradiente descendente. Medalha: Dados prontos

    1. 0x001Entenda os problemas de aprendizado de máquinaFormule um problema como classificação, regressão ou agrupamento, e nomeie os exemplos, as features e o alvo. 18 min 0/2 exercícios resolvidos 18 min 0/2 exercícios resolvidos
    2. 0x102Prepare os dados e as featuresDivida os dados primeiro, padronize e codifique as features só com estatísticas do treino, e evite vazamento. 22 min 0/2 exercícios resolvidos 22 min 0/2 exercícios resolvidos
    3. 0x203Modelos lineares e gradiente descendenteAjuste uma reta minimizando uma perda, passo a passo, e veja como a taxa de aprendizado decide se o treino funciona. 25 min 0/2 exercícios resolvidos 25 min 0/2 exercícios resolvidos
    4. 0x304Classifique com regressão logísticaTransforme uma pontuação linear numa probabilidade com a sigmoide, treine com log loss e escolha um limiar de decisão. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
  2. Unidade 2 · 0/3 aulas

    Treino e avaliação

    Combata o overfitting, escolha métricas e construa árvores e ensembles. Medalha: Avaliador de modelos

    1. 0x405Treine modelos e generalize para dados novosVeja o overfitting acontecer, escolha a complexidade do modelo com dados de validação e validação cruzada, e controle-a com regularização. 25 min 0/2 exercícios resolvidos 25 min 0/2 exercícios resolvidos
    2. 0x506Escolha métricas de avaliação úteisLeia uma matriz de confusão, calcule precisão, recall e F1, use a AUC da ROC e escolha métricas de regressão. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
    3. 0x607Árvores de decisão e ensemblesDivida os dados com a impureza de Gini, veja por que árvores sozinhas sofrem overfitting e combine muitas árvores em random forests e gradient boosting. 25 min 0/2 exercícios resolvidos 25 min 0/2 exercícios resolvidos
  3. Unidade 3 · 0/3 aulas

    Padrões e produção

    Agrupe sem rótulos, construa uma rede neural e monitore modelos em produção. Medalha: Aprendiz responsável

    1. 0x708Encontre estrutura sem rótulosRode o k-means à mão, escolha k com o método do cotovelo e comprima features com PCA. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
    2. 0x809Redes neurais desde a baseEmpilhe camadas lineares com ativações não lineares, rode uma propagação para a frente (forward pass) e veja por que uma camada oculta resolve o XOR. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
    3. 0x9010Coloque em produção, monitore e governe sistemas de MLDetecte drift com o índice de estabilidade populacional, confira o desempenho entre subgrupos e planeje as respostas antes do lançamento. 22 min 0/2 exercícios resolvidos 22 min 0/2 exercícios resolvidos
  4. Unidade 4 · 0/1 aulas

    Projeto final

    Construa um classificador completo de inadimplência em empréstimos com numpy. Medalha: Praticante de ML

    1. 0xA011Projeto final: construa um classificador de inadimplênciaDivida, padronize, treine uma regressão logística e avalie num conjunto de teste reservado - de ponta a ponta, com numpy. 35 min 0/2 exercícios resolvidos 35 min 0/2 exercícios resolvidos