Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/rogeriols/scikit-learn
:mortar_board: Curso com os criadores do Scikit-Learn
https://github.com/rogeriols/scikit-learn
machine-learning ml python python3 regression-algorithms regression-models regression-trees scikit-learn
Last synced: 1 day ago
JSON representation
:mortar_board: Curso com os criadores do Scikit-Learn
- Host: GitHub
- URL: https://github.com/rogeriols/scikit-learn
- Owner: RogerioLS
- License: mit
- Created: 2021-11-20T17:33:39.000Z (about 3 years ago)
- Default Branch: main
- Last Pushed: 2023-11-30T01:23:27.000Z (about 1 year ago)
- Last Synced: 2023-11-30T02:28:33.001Z (about 1 year ago)
- Topics: machine-learning, ml, python, python3, regression-algorithms, regression-models, regression-trees, scikit-learn
- Language: Jupyter Notebook
- Homepage:
- Size: 7.2 MB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
---
# Descrição
A modelagem preditiva agrega valor a uma grande variedade de dados, em inteligência de negócios, saúde, processos industriais e descobertas científicas. É um pilar da ciência de dados moderna. Nesse campo, o scikit-learn é uma ferramenta central: é facilmente acessível, embora poderoso, e se encaixa naturalmente no amplo ecossistema de ferramentas de ciência de dados baseadas na linguagem de programação Python.
Este curso é uma introdução detalhada à modelagem preditiva com scikit-learn. Lições passo a passo e didáticas apresentam as ferramentas metodológicas e de software fundamentais do aprendizado de máquina e são, como tal, um trampolim para desafios mais avançados em inteligência artificial, mineração de texto ou ciência de dados.
O curso é mais do que um livro de receitas: ele o ensinará a ser crítico sobre cada etapa do projeto de um pipeline de modelagem preditiva: desde as escolhas no pré-processamento de dados até a escolha de modelos, obtendo insights sobre seus modos de falha e interpretando suas previsões.
O treinamento será essencialmente prático, com foco em exemplos de aplicações com código executado pelos participantes.
Os autores do curso, também desenvolvedores do núcleo do scikit-learn, serão seus guias durante todo o treinamento!
---
# Formato
O curso abordará aspectos práticos por meio do uso de cadernos Jupyter e exercícios regulares. Ao longo do curso, destacaremos as melhores práticas do scikit-learn e daremos a você a intuição de usar o scikit-learn de uma maneira metodologicamente sólida.
---
# Plano de curso
* [`Módulo 1. O pipeline de modelagem preditiva`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module1_The_Predictive_Modeling_Pipeline)
* [`Módulo 2. Selecionando o melhor modelo`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module2_Selecting_the_best_model)
* [`Módulo 3. Ajuste de hiperparâmetros`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module3_hyperparameter_tuning)
* [`Módulo 4. Modelos Lineares`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module4_linear_model)
* [`Módulo 5. Modelos de árvore de decisão`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module5_decision_tree_models)
* [`Módulo 6. Conjunto de modelos`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module6_ensemble_of_models)
* [`Módulo 7. Avaliando o desempenho do modelo`](https://github.com/RogerioLS/Scikit-Learn/tree/main/Module7_evaluanting_model_performance)
---
