Métodos de aprendizado de máquina supervisionado

Name: Métodos de aprendizado de máquina supervisionado
Author: Gabriel Popoola

Neste capítulo, aprenderás sobre conceitos e técnicas de aprendizagem supervisionada. Ele cobrirá a regressão linear e logística. Aprenderás sobre máquinas de…

Preview the first lesson free — get full access to all 4 lessons.

Solicitar uma demonstração Entrar

Curso: sob demanda

Bem-vindo ao curso da Cidade do Conhecimento em aprendizado de máquina, métodos de aprendizado de máquina supervisionado. Nestas lições, você aprenderá sobre linearidade e regressão logística, máquinas de vetores de suporte, árvores de decisão e floresta aleatória e redes neurais. Esta lição será sobre regressão linear e logística. Durante esta lição, você aprenderá o que é regressão linear, o que é regressão logística, como são usadas a regressão linear e logística, e como são implementadas as regressões lineares e logísticas? O que é regressão linear? A regressão linear é uma das mais básicas algoritmos de aprendizado de máquina usado para prever uma variável contínua. Na regressão linear simples, existe uma variável independente usada para prever a variável dependente. E na regressão linear múltipla, existem várias variáveis dependentes usadas para prever a variável dependente. Alguns usos incluem estatísticas, avaliação de tendências, e avaliação da eficácia do marketing. O que é regressão logística? A regressão logística é um método muito popular técnica de aprendizado de máquina supervisionado que normalmente é usado para problemas de classificação. Ele usa várias variáveis independentes para prever uma classe usando a estimativa de máxima verossimilhança. A regressão logística é melhor usada para problemas de classificação binária, embora não seja totalmente restrito a esta categoria de problemas. Alguns usos incluem filtros de spam, identificar se um tumor é benigno ou maligno, e prever a probabilidade de um evento ocorrer. Agora, vamos entrar em quão linear e regressão logística são implementados em Python. Então essas implementações, estaremos usando o pacote scikit-learn, que mais uma vez contém uma grande variedade de aprendizado de máquina supervisionado e não supervisionado, implementações de modelos e algoritmos. E é um bom lugar para começar se você está apenas começando no aprendizado de máquina. Então você pode experimentar alguns dos modelos mais simples e básicos antes de mergulhar nos mais complexos. Portanto, a regressão linear está usando o conjunto de dados de diabetes. Como você pode ver aqui, o erro absoluto médio para isso é de cerca de 41, o que significa que, em média, sempre que uma previsão está sendo feita, a solução está cerca de 41 pontos fora. Então isso, é claro, é ruim, mas neste caso, não importa necessariamente porque o objetivo disso é apenas mostrar como é fácil implementar um modelo de regressão linear. E você sabe, é claro, existem conjuntos de dados por aí onde a regressão teria um desempenho muito melhor. Mas este conjunto de dados de diabetes é um dos conjuntos de dados de regressão mais complexos. Em seguida, vamos para a regressão logística. Isso está usando o conjunto de dados de câncer de mama. E como você pode ver aqui, a precisão é de cerca de 94%, o que é muito bom. Claro, existem classificadores que pode ter um desempenho significativamente melhor, mas 94% definitivamente não é um resultado de precisão ruim, especialmente para um tão simples e modelo de aprendizado de máquina explicável como este. Isso conclui esta lição, e a seguir, vamos discutir máquinas de vetor de suporte. Obrigada.

Principiante Fornecedor : Gabriel Popoola 4 lições · 15m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Urdu, Chinese

Descrição do curso

Neste capítulo, aprenderás sobre conceitos e técnicas de aprendizagem supervisionada. Ele cobrirá a regressão linear e logística. Aprenderás sobre máquinas de vector de suporte e seus usos. Este capítulo também abrange árvores de decisão, florestas aleatórias, aprendizado conjunto e como todos eles estão relacionados. As redes neurais também são discutidas neste capítulo.

Objectivos de aprendizado:

O Que Você Vai Aprender

Aplique regressão linear e logística como técnicas de aprendizado supervisionado
Use máquinas de vetores de suporte e compreenda seus usos
Construa árvores de decisão e florestas aleatórias e como se relacionam
Explore aprendizado ensemble e os benefícios dos ensembles sobre classificadores básicos únicos
Compreenda redes neurais dentro do aprendizado de máquina supervisionado

Principais Conclusões

Este capítulo cobre conceitos e técnicas de aprendizado supervisionado, incluindo regressão linear e logística.
Máquinas de vetores de suporte e seus usos são discutidas juntamente com árvores de decisão e florestas aleatórias.
O capítulo explica árvores de decisão, florestas aleatórias e aprendizado ensemble e como todos estão relacionados.
Ele destaca os benefícios dos ensembles sobre classificadores básicos únicos.
Redes neurais também são discutidas no escopo do aprendizado de máquina supervisionado.

Perguntas Frequentes

Quais técnicas de aprendizado de máquina supervisionado este capítulo cobre?

Ele cobre regressão linear e logística, máquinas de vetores de suporte, árvores de decisão, florestas aleatórias, aprendizado ensemble e redes neurais.

O que vou aprender sobre ensembles neste curso?

Você aprenderá sobre aprendizado ensemble e os benefícios dos ensembles sobre classificadores básicos únicos, e como árvores de decisão, florestas aleatórias e aprendizado ensemble se relacionam.

Em quais habilidades este curso se concentra?

Ele se concentra em aprendizado supervisionado, algoritmos e métodos de aprendizado de máquina, métodos de mineração de dados e aprendizado de árvore de decisão.

Redes neurais estão incluídas neste capítulo?

Sim, redes neurais são discutidas neste capítulo.