Aprenda a analisar dados com regressão, classificação, redes neurais e métodos de aprendizado não supervisionado.

Use os recursos disponíveis para retomar os principais pontos das aulas e conferir o que aprendeu.
Retome os pontos principais das aulas com uma leitura objetiva.
Reforce os conceitos importantes e pratique a recuperação ativa.
Confira o que aprendeu e receba feedback sobre suas respostas.
Hoje, em um cenário orientado por dados, compreender modelos preditivos e técnicas de aprendizado de máquina é essencial para interpretar problemas computacionais. O Curso de Machine Learning apresenta fundamentos e famílias de modelos usados nessa área, da regressão às arquiteturas modernas. O conteúdo aborda regressão linear e logística, incluindo estimação, inferência e avaliação. Também trata de regressão de Poisson, validação cruzada, bootstrap e regularização de variáveis. Explora SVMs e kernels, árvores de decisão e random forests, além de redes neurais, transformers e modelos de linguagem. Na parte não supervisionada, apresenta PCA, SVD, k-means e clusterização hierárquica. A avaliação de modelos contempla métricas, limiares, validação e incerteza. As aplicações incluem classificação e regressão, sistemas de recomendação, análise de imagens e geração de texto, relacionados aos modelos e arquiteturas estudados. O curso também aborda diferentes estratégias de treinamento e avaliação.
Ainda não há avaliações verificadas.