Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/jonasaacampos/machine-learning-in-python
Projetos e anotações da Formação de Engenheiro de Machine Learning da Data Science Academy.
https://github.com/jonasaacampos/machine-learning-in-python
data-science machine-learning python social-network-analysis
Last synced: 3 days ago
JSON representation
Projetos e anotações da Formação de Engenheiro de Machine Learning da Data Science Academy.
- Host: GitHub
- URL: https://github.com/jonasaacampos/machine-learning-in-python
- Owner: jonasaacampos
- Created: 2022-07-12T10:53:49.000Z (over 2 years ago)
- Default Branch: main
- Last Pushed: 2022-07-28T00:47:10.000Z (over 2 years ago)
- Last Synced: 2023-03-04T18:42:24.171Z (over 1 year ago)
- Topics: data-science, machine-learning, python, social-network-analysis
- Language: Python
- Homepage:
- Size: 2.95 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.MD
Awesome Lists containing this project
README
Machine Learning em Python
Anotações e projetos do curso de formação em Engenharia de Machine Learning.
## Projetos
- [x] [Classificação de Texto com aprendizadgem supervisionada](Projeto-01)
- Projeto de extração e análise de fóruns de redes sociais com o objetivo de construir um modelo de aprendizado de máquina que classifica o conteúdo das postagens de forma automática.
- [x] [Criação de modelo de aprendizado de máquina que prevê o retorno financeiro de investimentos em títulos públicos](Projeto-02)
- Construção de modelos de machine learning para prever o retorno de um investimento
[](https://jonasaacampos.github.io/portfolio/)
[](https://www.linkedin.com/in/jonasaacampos)
--------
Table of Contents
- [Projetos](#projetos)
- [O papel do Engenheiro de Machine Learning na contrução de modelos](#o-papel-do-engenheiro-de-machine-learning-na-contrução-de-modelos)
- [Exemplo de problemas de Machine Learning](#exemplo-de-problemas-de-machine-learning)
- [Definição de modelo de machine learning](#definição-de-modelo-de-machine-learning)
- [Riscos e Oportunidade](#riscos-e-oportunidade)
- [Framework](#framework)
- [Principais frameworks de Machine Learning](#principais-frameworks-de-machine-learning)
- [Modelos de MAchine Learning](#modelos-de-machine-learning)
- [Modelos de Classificação:](#modelos-de-classificação)
- [Modelos de Regressão](#modelos-de-regressão)
- [Modelos de Clustering](#modelos-de-clustering)
- [Modelos de Associação](#modelos-de-associação)
- [Modelos de Deep Learning](#modelos-de-deep-learning)
- [Para saber mais](#para-saber-mais)
- [Crédito das imagens](#crédito-das-imagens)
- [Contato](#contato)
----------
## O papel do Engenheiro de Machine Learning na contrução de modelos
Normalmente o trabalho do Engnheiro de Machine Learning está mais relacionado com a publicação do que com a construção do modelo. Para tanto é necessário algum conhecimento para criar modelos, para que consiga fazer o deploy do modelo.
A concepção do modelo, geralmente fica a cargo do Cientista de Dados.
## Exemplo de problemas de Machine Learning
Marque abaixa quais problemas podemos solucionar com Machine Learning:
- [ ] Calcular total de vendas a partir de dados de transações financeiras
- basta uma operação matemática. Não é necessária
- [x] Prever o toral de vendas a partir de dados de transações financeiras
- meu modelo fará uma compreensão dos dados envolvidos (modelagem preditiva)
- [x] Detectar padrões nas vendas a partir de transações financeiras
- Aqui meu modelo fará agrupamentos de tipos de conas para determinar padrões.
> Machine Learning é aplicável somente não existe uma operação matemática para prever o resultado
>
> Machine Learning não CRIA padrões, mas os detecta
## Definição de modelo de machine learning
Todo modelo de machine learning é uma formulação matemática que tenta explicar o relacionamento entre dados.
Usa-se um algoritmo com um rol de hipóteses de resposta, e durante o treinamento com os dados, o modelo descobre parâmetros que confirmam ou explicam o relacionamento dos dados caso exista. (Função alvo > espaço de hipóteses > dados > verificação de relacionamentos)
Existem algoritmos diferentes para problemas diferentes e para dados diferentes.
## Riscos e Oportunidade
Riscos
- Dados Insuficientes
- Não possuir desempenho computacional
- Presissas inválidas
Oportunidades
- Quanto maior o risco, maior as oportunidades
- Computação Quântica vai ocasionar um novo salto na área
## Framework
> utilizar framework facilita a vida. Crie um modelo do zero somente se não existir nenhum algoritmo que lhe atenda,
### Principais frameworks de Machine Learning
- TensorFlow e Keras
- Scikit-Learn (o mais amigável)
- Pytorch (pesquisa)
- Spark MLLib (computação distribuída)
- mxnet (nuvem aws)
- mlpack (C++)
- DeepLearning4j (Java)
## Modelos de MAchine Learning
### Modelos de Classificação:
Objetivo de classificar os dados em pelo menos 2 categorias
- Classificação Binária
- Classificação Multiclasse
- Multi-Label Classification (marcar elementos em imagem)
- Classificação Desbalanceada
### Modelos de Regressão
Servem para prever um valor numérico
- Regressão linear simples
- Regressão linear múltipla
- Regressão polinomial
- Regressão Ridge
- Regressão LASSO
### Modelos de Clustering
Diferentemente dos outros modelos, neste caso não temos dados de saída. Servem para agrupar melhor os dados.
### Modelos de Associação
Serve para encontrar padrões entre os dados. **Associação serve para recomendação**.
### Modelos de Deep Learning
IA é um nome comercial. Deep Learning é o resultado de análises estatísticas e expressões matemáticas.
## Para saber mais
- Machine Learning, Tom Michael
- Machine Learning with Python for Everyone, Mark Fenne
- The Hundred-Page Machine Learning Book, Andriy Burkov
## Crédito das imagens
- Desenhos no título by [flaticon](https://www.flaticon.com)
- Badges e demos do projeto feitos por mim
## Contato
**Author:** Jonas Araujo de Avila Campos
**Confira mais projetos: [AQUI](https://jonasaacampos.github.io/portfolio/)**
