Aprendizado de máquina e classificação

Name: Aprendizado de máquina e classificação
Author: Briana Brownell

Aprenda os fundamentos da modelagem de classificação e como gerir a recolha e o pré-processamento de dados

Preview the first lesson free — get full access to all 6 lessons.

Curso: sob demanda

Neste capítulo, vamos falar sobre o básico de modelagem de classificação, incluindo como ele se encaixa na imagem maior de aprendizado de máquina e inteligência artificial. Então, o que é aprendizado de máquina? Eu amo essa definição de Robert Schapire em Princeton porque nos dá uma maneira intuitiva pensar em maneiras pelas quais os computadores podem aprender. A primeira coisa a notar nesta definição é que todo aprendizado de máquina depende em diferentes tipos de algoritmos de computador que podemos usar para resolver diferentes problemas. A segunda coisa é a dependência de dados para fazer o aprendizado de máquina funcionar. Agora, porque vivemos em um mundo tão rico em dados agora, é fácil esquecer que nem sempre foi assim. Na história, os dados eram bastante escassos, e assim a maior parte da modelagem de classificação e a maior parte da modelagem de IA foi na verdade não baseado em observações de dados; foi baseado em outras formas de dados que poderíamos usar para construir alguns desses sistemas mais complexos, coisas como instrução e experiência direta. Mas agora temos acesso a todos os tipos de dados em todos os tipos de domínios diferentes. E assim a maior parte da modelagem de aprendizado de máquina que você vai fazer depende do aprendizado a partir de dados observacionais. Existem três tipos principais de aprendizado de máquina: Aprendizado supervisionado, aprendizado não supervisionado, e aprendizado por reforço. E todos esses estilos amplos de aprendizado de máquina resolvem diferentes problemas. Para o aprendizado supervisionado, trata-se de fazer algum tipo de previsão ou classificação, e para isso você precisa de exemplos que são, o que são chamados, rotulados. E isso significa que você tem uma série de variáveis de entrada e você está tentando usar aqueles para prever algum tipo de resultado. Então, se você pensar no exemplo da rotatividade de clientes, você pode ter um monte de dados que analisam quão satisfeito aquele cliente estava com um produto, como eles estavam usando esse produto, e então a variável de resultado foi se eles cancelaram ou não o serviço. Para problemas de aprendizado supervisionado, é essencial ter essa variável rotulada que você pode prever. Em comparação, o aprendizado não supervisionado não tem uma variável de saída rotulada, e o que isso significa são os tipos de problemas que você está resolvendo com aprendizado não supervisionado são um pouco diferente. Você está procurando encontrar tipos de padrões emergentes nos dados que permitem explorar e utilizar os dados de forma mais sofisticada; coisas como entender quais variáveis estão relacionadas entre si; entender coisas como grupos diferentes, diferentes clusters dentro dos dados que você pode usar para entender os dados que você tem. E, finalmente, o aprendizado por reforço é um pouco diferente dos dois supervisionados e aprendizado de máquina não supervisionado. No aprendizado por reforço, existe um agente ativo que está aprendendo um método tomar decisões. Esse estilo de aprendizado de máquina é muito comum em jogos, então coisas como ensino e inteligência artificial como jogar damas ou xadrez ou qualquer outro jogo assim. O aprendizado de máquina supervisionado é de longe o estilo mais comum de aprendizado de máquina que você encontrará na indústria. E, de fato, a modelagem de classificação é um tipo importante de aprendizado de máquina supervisionado. Dito isso, o aprendizado de máquina não supervisionado também se tornam extremamente importantes mesmo enquanto você está fazendo o aprendizado supervisionado porque muitas das metodologias que você pode usar no aprendizado não supervisionado pode ser extremamente importante em fazer coisas como seleção de recursos e entender as nuances dentro dos dados que você está usando dentro de um problema de aprendizado de máquina supervisionado, então usar os dois juntos é bastante comum. E assim vamos tocar em alguns conceitos de aprendizagem não supervisionada neste curso também. Agora você tem o básico dos três tipos principais de aprendizado de máquina e como o aprendizado de máquina supervisionado e o modelo de classificação se encaixa neles.

Intermediário Fornecedor : Briana Brownell 6 lições · 26m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

Estas lições apresentarão a modelagem de classificação e o seu espaço de problemas na aprendizagem de máquina supervisionada. Isso incluirá aprender e reconhecer a diferença entre classificação e previsão e como a modelagem de classificação se encaixa no campo maior da aprendizagem de máquina. Aprenderá como abordar problemas de classificação e será apresentado ao pipeline de modelo de classificação típico.

Depois de entender o pipeline do modelo de classificação, aprenderá como começar as etapas iniciais da recolha de dados. Por fim, aprenderá dicas práticas sobre como gerir a recolha de dados e informações sobre o pré-processamento de um modelo de classificação.

O Que Você Vai Aprender

Distinguir classificação de previsão e como a classificação se encaixa no campo maior de aprendizado de máquina
Reconhecer conceitos básicos de classificação em aprendizado de máquina supervisionado
Aplicar o pipeline típico do modelo de classificação para abordar problemas de classificação
Começar as etapas iniciais de coleta de dados para um modelo de classificação
Gerenciar a coleta de dados e pré-processar dados para um modelo de classificação

Principais Conclusões

Modelagem de classificação situa-se no espaço de problemas de aprendizado de máquina supervisionado.
Classificação e previsão são distintas, e o curso ensina como diferenciá-las.
Um modelo de classificação típico segue um pipeline, e entendê-lo ajuda você a abordar problemas de classificação.
Coleta de dados e pré-processamento são etapas iniciais importantes na construção de um modelo de classificação.
O curso cobre dicas práticas para gerenciar a coleta de dados para classificação.

Perguntas Frequentes

O que este curso cobre?

Introduz modelagem de classificação e seu espaço de problemas em aprendizado de máquina supervisionado, incluindo a diferença entre classificação e previsão, como a classificação se encaixa no campo maior de aprendizado de máquina, o pipeline típico do modelo de classificação e as etapas iniciais de coleta e pré-processamento de dados.

Quais lições estão incluídas?

As lições são Aprendizado de Máquina Supervisionado, Conceitos Básicos de Classificação, Classificação versus Previsão, O Pipeline do Modelo de Classificação, Coleta de Dados e Pré-Processamento de Dados.

Quais habilidades vou ganhar?

Você desenvolverá habilidades em Classificação de Dados, Aprendizado de Máquina, Treinamento de Modelo de Aprendizado de Máquina, Monitoramento e Avaliação de Modelo de Aprendizado de Máquina, Classificação Estatística e Aprendizado Supervisionado.

O curso explica a diferença entre classificação e previsão?

Sim. O curso ensina como aprender e reconhecer a diferença entre classificação e previsão e como a modelagem de classificação se encaixa no campo maior de aprendizado de máquina.

O curso aborda coleta de dados e pré-processamento?

Sim. Após cobrir o pipeline do modelo de classificação, ensina as etapas iniciais de coleta de dados, mais dicas práticas sobre gerenciamento de coleta de dados e informações sobre pré-processamento para um modelo de classificação.