Gostando da prévia?
Esta é a primeira aula gratuita. Tenha acesso completo: solicite uma demo ou faça login.
Aprimorando o desempenho da análise de dados
Utilizar dados para aumentar a produtividade e tomar melhores decisõesPreview the first lesson free — get full access to all 5 lessons.
Intermediário Fornecedor : Mary Margaret Chantré 5 lições · 11m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese
Descrição do curso
A análise empresarial é uma ferramenta poderosa que pode ser utilizada para tomar decisões e criar estratégias empresariais. Actualmente, as organizações geram grandes quantidades de dados. As empresas utilizam esses dados para melhorar a eficiência e a produtividade, tomar melhores decisões comerciais e aumentar a rentabilidade. É aqui que a análise preditiva pode ser útil, mas funciona melhor quando está constantemente a ser testada, verificada e melhorada. A aleatorização e a paralelização são duas das técnicas mais importantes utilizadas na análise preditiva.
Nestas lições, aprenderá a optimizar o desempenho de algoritmos e modelos. Também aprenderá conceitos vitais de gradiente, descida e intuição, que podem ser usados para melhorar o desempenho de algoritmos preditivos. Também discutiremos a avaliação de modelos preditivos, que é essencial ao criar e implantar modelos de aprendizado de máquina. Veremos várias maneiras de avaliar modelos preditivos, incluindo validação cruzada, validação de retenção e teste A/B.
O Que Você Vai Aprender
- Otimize aleatoriedade e paralelização para melhorar o desempenho do algoritmo
- Identifique ferramentas para otimizar o desempenho do machine learning
- Aplique os conceitos de gradiente, descida e intuição para melhorar algoritmos preditivos
- Avalie modelos preditivos usando validação cruzada, validação de retenção e testes A/B
- Explique modelos preditivos e seu papel na implementação
Principais Conclusões
- Análise de negócios usa dados de uma organização para melhorar eficiência e produtividade, tomar melhores decisões e aumentar lucratividade.
- Análise preditiva funciona melhor quando está sendo constantemente testada, verificada e melhorada.
- Aleatoriedade e paralelização são duas das técnicas mais importantes usadas em análise preditiva.
- Avaliar modelos preditivos é essencial ao construir e implementar modelos de machine learning.
- Modelos preditivos podem ser avaliados de várias formas, incluindo validação cruzada, validação de retenção e testes A/B.
Perguntas Frequentes
O que este curso aborda?
Aborda otimização de aleatoriedade e paralelização, os conceitos de gradiente, descida e intuição e avaliação de modelos preditivos através de validação cruzada, validação de retenção e testes A/B, com o objetivo de melhorar o desempenho de algoritmos e modelos preditivos.
O que vou aprender a fazer neste curso?
Você aprenderá a otimizar o desempenho de algoritmos e modelos, identificar ferramentas para otimizar o desempenho do machine learning e avaliar modelos preditivos ao construir e implementá-los.
Como o curso é estruturado?
O curso é organizado em aulas: Introdução; Otimizando Aleatoriedade e Paralelização; Gradiente, Descida e Intuição; Avaliando Modelos e Implementação; e Teste Seu Conhecimento.
Por que avaliar modelos preditivos é importante?
Avaliar modelos preditivos é essencial ao construir e implementar modelos de machine learning, e o curso observa várias formas de avaliá-los, incluindo validação cruzada, validação de retenção e testes A/B.
