Entender a ciência de dados para machine learning
O Microsoft Learn fornece várias maneiras interativas de obter uma introdução ao machine learning clássico. Esses roteiros de aprendizagem tornarão você produtivo e são uma excelente base ao avançar para tópicos de aprendizado profundo.
Desde os modelos de machine learning clássicos mais básicos, até a análise exploratória de dados e a personalização de arquiteturas, você será guiado por meio de um conteúdo conceitual fácil de aprender e notebooks Jupyter interativos, tudo isso sem sair do navegador.
Escolha o próprio roteiro de acordo com a sua formação e interesses educacionais.
Opção 1: o curso completo: Conceitos base de ciência de dados para machine learning
Esse roteiro é recomendado para a maioria das pessoas. Ele tem os mesmos módulos que os outros dois roteiros de aprendizagem com um fluxo personalizado que maximiza o reforço de conceitos. Se você quer saber mais sobre os conceitos subjacentes e como começar a criar modelos com as ferramentas de machine learning mais comuns, esse roteiro é para você. Ele também é o melhor roteiro se você planeja ir além do machine learning clássico e aprender sobre redes neurais e aprendizado profundo, que são conceitos apenas apresentados aqui.
✔ Opção 2: o roteiro de aprendizagem Entender a ciência de dados para machine learning
Se você quer entender como o machine learning funciona e não tem muita formação matemática, esse roteiro é para você. Ele não necessita de formação anterior (exceto por um pouco de familiaridade com conceitos de codificação) e ensina com código, metáforas e visuais que resultam em um "momento eureca". Ele é prático, mas se concentra mais na compreensão dos conceitos básicos e menos na capacidade das ferramentas e bibliotecas disponíveis.
✔ No momento, você está neste roteiro. Role para baixo para começar.
Opção 3: o roteiro de aprendizagem Criar modelos de machine learning
Caso você já tenha ideia do que é o machine learning ou tenha uma formação matemática avançada, talvez seja melhor ir direto para o roteiro de aprendizagem Criar modelos de machine learning. Estes módulos ensinam alguns conceitos de machine learning, mas são sucintos para que seja possível aprender sobre ferramentas avançadas, como scikit-learn, TensorFlow e PyTorch. Esse roteiro de aprendizagem também é o melhor se você está buscando obter apenas conhecimento suficiente para entender exemplos de machine learning em produtos como o Azure ML ou o Azure Databricks.
Pré-requisitos
Nenhum
Código de Conquista
Gostaria de solicitar um código de conquista?
Módulos neste roteiro de aprendizagem
Uma visão geral de alto nível do machine learning para pessoas com pouco ou nenhum conhecimento sobre ciência da computação e estatísticas. Você aprenderá alguns conceitos essenciais, explorará dados e examinará de forma interativa o ciclo de vida do aprendizado de máquina, usando o Python para treinar, salvar e usar um modelo de aprendizado de máquina, exatamente como no mundo real.
O aprendizado supervisionado é uma forma de aprendizado de máquina em que um algoritmo aprende com exemplos de dados. Vamos traçar de forma progressiva um panorama de como o aprendizado supervisionado gera automaticamente um modelo que pode fazer previsões sobre o mundo real. Também vamos mencionar a maneira em que esses modelos são testados e as dificuldades que podem surgir ao treiná-los.
O poder dos modelos de machine learning é proveniente dos dados usados para treiná-los. Por meio de conteúdo e exercícios, exploramos como entender seus dados, como codificá-los para que o computador possa interpretá-los corretamente, como limpar erros e dicas que ajudarão você a criar modelos de alto desempenho.
A regressão talvez seja a técnica de machine learning mais usada, e costuma estar na raiz de descobertas científicas, do planejamento de negócios e da análise do mercado de ações. Esse material de aprendizagem aprofunda algumas análises de regressão comuns, tanto simples quanto mais complexas, e fornece alguns insights sobre como avaliar o desempenho de um modelo.
Quando pensamos em aprendizado de máquina, geralmente nos concentramos no processo de treinamento. Alguma preparação antes desse processo pode não só acelerar e melhorar o aprendizado, mas também nos dar confiança a respeito de como nossos modelos funcionarão quando nos depararmos com alguns dados que nunca vimos antes.
Classificação significa atribuir itens a categorias ou também pode ser pensada na tomada de decisão automatizada. Aqui, apresentamos modelos de classificação por meio da regressão logística, fornecendo um passo a passo para métodos de classificação mais complexos e empolgantes.
Em geral, modelos mais complexos podem ser personalizados manualmente para aprimorar a eficácia deles. Por meio de exercícios e conteúdo explicativo, vamos explorar como a alteração da arquitetura de modelos mais complexos pode trazer resultados mais eficazes.
Como sabemos se um modelo é bom ou ruim na classificação de nossos dados? Às vezes, pode ser difícil compreender a maneira como os computadores avaliam o desempenho do modelo, ou isso posso simplificar a forma como o modelo se comportará no mundo real. Para criar modelos que funcionam de maneira satisfatória, precisamos encontrar maneiras intuitivas de avaliá-los e entender como essas métricas podem desviar nossa exibição.
As curvas de características de operação do receptor são uma forma avançada de avaliar e ajustar os modelos de classificação treinados. Apresentaremos e explicaremos a utilidade dessas curvas por meio de conteúdo de aprendizado e exercícios práticos.