Tutoriais scikit-learn
scikit-learn oferece uma abordagem sistemática para machine learning em Python. Nossos tutoriais cobrem vários algoritmos de ML, seleção de modelos e técnicas de avaliação, adequados tanto para cientistas de dados iniciantes quanto intermediários. Com laboratórios gratuitos e exemplos de código práticos, você obterá experiência prática na construção de modelos de ML. Nosso playground de ciência de dados permite que você experimente as funções e conjuntos de dados scikit-learn em tempo real.
Classificação de Íris Usando SVM
Neste projeto, você aprenderá como classificar o conjunto de dados de íris usando um modelo Support Vector Classifier (SVC). O conjunto de dados de íris é um conjunto de dados clássico de aprendizado de máquina que contém informações sobre diferentes espécies de íris, incluindo o comprimento da sépala, a largura da sépala, o comprimento da pétala e a largura da pétala.
Pythonscikit-learn
Regressão de Ridge com Kernel
Neste laboratório, aprenderemos sobre a Regressão de Ridge com Kernel (KRR) e sua implementação usando a biblioteca scikit-learn em Python. A KRR combina a regressão de ridge com o truque do kernel para aprender uma função linear no espaço induzido pelo kernel. É um método de regressão não linear que pode lidar com relações não lineares entre variáveis de entrada e saída.
Machine Learningscikit-learn
Modelos Lineares no Scikit-Learn
Neste laboratório, exploraremos modelos lineares no Scikit-learn. Modelos lineares são um conjunto de métodos utilizados para tarefas de regressão e classificação. Eles pressupõem que a variável-alvo é uma combinação linear das características. Esses modelos são amplamente utilizados em aprendizado de máquina devido à sua simplicidade e interpretabilidade.
Machine Learningscikit-learn
Classificadores de Análise Discriminante Explicados
Análise Discriminante Linear e Quadrática (LDA e QDA) são dois classificadores clássicos usados no aprendizado de máquina. O LDA utiliza uma superfície de decisão linear, enquanto o QDA utiliza uma superfície de decisão quadrática. Esses classificadores são populares por possuírem soluções de forma fechada, apresentarem bom desempenho na prática e não possuírem hiperparâmetros a serem ajustados.
Machine Learningscikit-learn
Explorando Conjuntos de Dados e Estimadores Scikit-Learn
Neste laboratório, exploraremos a configuração e o objeto estimador no scikit-learn, uma popular biblioteca de aprendizado de máquina em Python. Aprenderemos sobre conjuntos de dados, representados como matrizes 2D, e como pré-processá-los para o scikit-learn. Também exploraremos o conceito de objetos estimador, usados para aprender com dados e fazer previsões.
Machine Learningscikit-learn
Explorando Classificadores SGD do Scikit-Learn
Neste laboratório, exploraremos o Gradiente Descendente Estocástico (SGD), um poderoso algoritmo de otimização comumente usado em aprendizado de máquina para resolver problemas de grande escala e esparsos. Aprenderemos a utilizar as classes SGDClassifier e SGDRegressor da biblioteca scikit-learn para treinar classificadores e regressores lineares.
Machine Learningscikit-learn
Trabalhando com Dados de Texto
Neste laboratório, exploraremos como trabalhar com dados de texto utilizando o scikit-learn, uma popular biblioteca de aprendizado de máquina em Python. Aprenderemos a carregar dados de texto, pré-processá-los, extrair características, treinar um modelo e avaliar seu desempenho.
Machine Learningscikit-learn
Exploração de Métodos de Conjunto com Scikit-Learn
Neste laboratório, exploraremos métodos de conjunto utilizando a biblioteca Scikit-learn. Métodos de conjunto são técnicas de aprendizado de máquina que combinam múltiplos modelos para alcançar um desempenho superior a um único modelo. Focaremos especificamente em dois métodos populares de conjunto: Bagging e Florestas Aleatórias.
Machine Learningscikit-learn
Regressão Isotônica para Dados Não Lineares
Neste laboratório, exploraremos a regressão isotônica utilizando a biblioteca scikit-learn. A regressão isotônica é uma técnica que ajusta uma função não decrescente a dados unidimensionais. É útil quando os dados não satisfazem a suposição de linearidade em um modelo de regressão.
Machine Learningscikit-learn
Algoritmos Multiclasse e Multisaída
Neste laboratório, exploraremos a funcionalidade e o uso de algoritmos multiclasse e multisaída no scikit-learn. A classificação multiclasse é uma tarefa de classificação em que as amostras são atribuídas a mais de duas classes. A classificação multisaída, por outro lado, prevê múltiplas propriedades para cada amostra. Coberemos os seguintes tópicos:
Machine Learningscikit-learn
Aprendizado Supervisionado com Scikit-Learn
No aprendizado supervisionado, queremos aprender a relação entre dois conjuntos de dados: os dados observados X e uma variável externa y que desejamos prever.
Machine Learningscikit-learn
Regressão e Classificação por Processos Gaussianos
Neste laboratório, exploraremos Processos Gaussianos (GP), um método de aprendizagem supervisionada utilizado para problemas de regressão e classificação probabilística. Os Processos Gaussianos são versáteis, podem interpolar observações, fornecer previsões probabilísticas e lidar com diferentes tipos de kernels. Neste laboratório, focaremos em Regressão por Processos Gaussianos (GPR) e Classificação por Processos Gaussianos (GPC) utilizando a biblioteca scikit-learn.
Machine Learningscikit-learn
Classificação com Árvores de Decisão usando Scikit-learn
Neste laboratório, aprenderemos a utilizar Árvores de Decisão para classificação com o Scikit-learn. As Árvores de Decisão são um método de aprendizagem supervisionada não paramétrico utilizado para classificação e regressão. São fáceis de compreender e interpretar, e podem lidar com dados numéricos e categóricos.
Machine Learningscikit-learn
Seleção de Modelos: Escolhendo Estimadores e seus Parâmetros
Em aprendizado de máquina, a seleção de modelos é o processo de escolher o melhor modelo para um conjunto de dados específico. Envolve a seleção do estimador apropriado e a otimização de seus parâmetros para alcançar o desempenho ideal. Este tutorial guiará você pelo processo de seleção de modelos no scikit-learn.
Machine Learningscikit-learn
Algoritmos de Aprendizagem Semi-Supervisionada
Neste laboratório, exploraremos o conceito de aprendizado semi-supervisionado, um tipo de aprendizado de máquina em que parte dos dados de treinamento são rotulados e parte não. Os algoritmos de aprendizado semi-supervisionado podem aproveitar os dados não rotulados para melhorar o desempenho do modelo e generalizar melhor para novas amostras. Isso é particularmente útil quando temos uma pequena quantidade de dados rotulados, mas uma grande quantidade de dados não rotulados.
Machine Learningscikit-learn
Modelos de Redes Neurais
Neste laboratório, aprenderemos sobre modelos de redes neurais e como eles podem ser usados em tarefas de aprendizado supervisionado. Redes neurais são um tipo popular de algoritmo de aprendizado de máquina que pode aprender padrões não lineares nos dados. São frequentemente utilizados em tarefas de classificação e regressão.
Machine Learningscikit-learn
Implementação do Gradiente Descendente Estocástico
O Gradiente Descendente Estocástico (SGD) é um algoritmo de otimização popular em aprendizado de máquina. É uma variação do algoritmo de gradiente descendente que utiliza um subconjunto aleatório dos dados de treinamento em cada iteração. Isso o torna computacionalmente eficiente e adequado para lidar com grandes conjuntos de dados. Neste laboratório, guiaremos os passos para implementar o SGD em Python usando o scikit-learn.
Machine Learningscikit-learn
Exemplo de Naive Bayes
Neste laboratório, iremos analisar um exemplo de utilização de classificadores Naive Bayes da biblioteca scikit-learn em Python. Os classificadores Naive Bayes são um conjunto de algoritmos de aprendizagem supervisionada frequentemente utilizados para tarefas de classificação. Estes classificadores baseiam-se na aplicação do teorema de Bayes com a hipótese de independência condicional entre cada par de características, dado o valor da variável de classe.
Machine Learningscikit-learn
- Anterior
- 1
- 2
- 3
- 4
- 5
- 6
- ...
- 15
- Próximo