Launching into Machine Learning em Português Brasileiro

Overview

Class Central Tips

Começando pela história do machine learning, vamos discutir por que as redes neurais hoje funcionam com vários problemas de ciência de dados. Depois vamos definir um problema de aprendizado supervisionado e descobrir uma boa solução usando o gradiente descendente. Isso envolve criar conjuntos de dados que permitem generalização. Vamos falar sobre os métodos que devemos usar para fazer isso de modo repetível e que viabilize a experimentação.

Objetivos do curso:
Identificar por que o aprendizado profundo é comum atualmente
Otimizar e avaliar os modelos usando funções de perda e métricas de desempenho
Mitigar problemas comuns que surgem no machine learning
Criar conjuntos de dados de treinamento, avaliação e teste repetíveis e escalonáveis

Syllabus

Introdução ao curso

Neste curso, você vai aprender noções básicas de ML para entender a terminologia que usamos na especialização. Também vai ver as dificuldades e as dicas práticas de ML de profissionais do Google. Quando você terminar o curso, vai ter o código e o conhecimento necessários para criar seus modelos de ML.

Melhoria da qualidade de dados e análise exploratória de dados

Neste módulo, vamos apresentar uma introdução aos problemas de qualidade de dados e soluções para melhorá-los. Depois vamos estudar a análise exploratória de dados.

ML na prática

Neste módulo, vamos apresentar alguns dos principais tipos de machine learning e conhecer a história do ML até o estágio mais moderno para você acelerar sua evolução como profissional de ML.

Otimização

Neste módulo, mostraremos como otimizar seus modelos de ML.

Generalização e amostras

Agora é hora de responder a uma pergunta bastante estranha: quando o modelo de ML mais exato não é a opção ideal? Como sugerimos no último módulo sobre otimização, não é porque um modelo tem uma métrica de perda de 0 para seu conjunto de dados de treinamento, que ele vai ter um bom desempenho com dados novos reais. Você vai aprender a criar conjuntos de dados de treinamento, avaliação e teste repetíveis, além de estabelecer comparativos de desempenho.