Classificação, Clusterização e Regressão (Classification, Clustering & Regression)

Classificação, Clusterização e Regressão (Classification, Clstering & Regression)

Classificação:
Consiste em prever a categoria de uma observação com base em dados anteriores rotulados. Utiliza-se um classificador para atribuir uma classe qualitativa ao novo dado.
Exemplo: prever se um paciente é doente ou não com base em características observadas.

Regressão:
Busca prever um valor numérico com base em dados observados anteriormente. Usa variáveis preditoras para estimar a resposta quantitativa de uma nova observação.
Exemplo: prever o salário de um indivíduo com base em sua idade e escolaridade.

Agrupamento:
Visa agrupar observações similares em “clusters” sem usar rótulos prévios. Assemelha-se à classificação, mas sem categorias definidas ou corretas.
Exemplo: agrupar imagens de animais semelhantes sem saber previamente quais são.

Plano Pedagógico

Visualizar

Pré-requisito

Python

Aprendizado Teórico Complementar

Playlist do PhD Francisco A. Rodrigues – USP

Playlist do Dr. Alexandre L. M. Levada – USP

Playlist da Dra. Cibele Russo – USP

Para saber sobre as ferramentas, público alvo, e outras informações, acesse nossas Pergu ntas Frequentes (itens H e I).

Certificação

Após a conclusão do curso, ficará disponível o botão para a emissão do certificado.

Course Curriculum

Nivelamento

Python…para quem está começando
Fundamentos básicos de computação
Introdução à Teoria das Probabilidades
Métodos baseados em árvores
Regularização
Reamostragem
Classificação

Classificação, Clusterização e Regressão

01 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Regressão”
02 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Classificação Binária”
03 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Regressão”
04 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Classificação”
05 – Como fazer Agrupamento Aglomerativo – “Agglomerative Clustering”
06 – Como fazer Clusterização com o algoritmo KMeans – “KMeans Clustering”
07 – Como fazer Clusterização baseado em afinidade
08 – Como fazer Clusterização baseado no algoritmo DBSCAN – “DBSCAN Clustering”
09 – Como fazer Clusterização baseada na abordagem do deslocamento médio (MinShift)
10 – Como utilizar a Árvore de Classificação e Regressão
11 – Como utilizar o algoritmo classificador e regressor – AdaBoost
12 – Como utilizar o algoritmo classificador e regressor – RandomForest
13 – Como utilizar o algoritmo classificador e regressor – GradientBoosting
14 – Como usar o classificador e regressor MLP – Perceptron Multicamadas
15 – Como usar o classificador e regressor “XgBoost” – reforço gradual (Gradient boosting)
16 – Como usar o classificador e regressor “CatBoost”
17 – Como usar o classificador e regressor – “LightGBM”
18 – Como usar o classificador e regressor “SVM” – Support Vector Machine
19 – Como importar arquivos CSV
20 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Multiclass Classification
21 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Naive Bayes
22 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Nearest Neighbors
23 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – LDA e QDA
24 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Tree Model
25 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Bagging) model
26 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Boosting) model
27 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Diferentes “Boosting models”
28 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Visualizar Tree Model
29 – Como utilizar a métrica de classificação
30 – Como utilizar o Métrico de Regressão
31 – Como comparar algoritmos de classificação do “sklearn”
32 – Como implementar o conjunto de votação – “Ensemble Model”
33 – Como salvar modelos treinados
34 – Como visualizar uma Arvore “XGBoost”
35 – Como visualizar a importância das características “XGBoost”
36 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
37 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
38 – Como paralelizar a execução de “XGBoost” e validação cruzada (cross validation)
39 – Como otimizar o número de árvores no XGBoost

Avaliações:

3.0

Total 2 Ratings

1 Ratings

0 Rating

1 Ratings

Horacio Silva

4 semanas atrás

Curso estático, sem exemplos e explicações ou aplicabilidade no mundo real.

João

2 anos atrás

Ótimo curso!

Course Curriculum

Nivelamento

Python…para quem está começando

Fundamentos básicos de computação

Introdução à Teoria das Probabilidades

Métodos baseados em árvores

Regularização

Reamostragem

Classificação

Classificação, Clusterização e Regressão

01 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Regressão”

02 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Classificação Binária”

03 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Regressão”

04 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Classificação”

05 – Como fazer Agrupamento Aglomerativo – “Agglomerative Clustering”

06 – Como fazer Clusterização com o algoritmo KMeans – “KMeans Clustering”

07 – Como fazer Clusterização baseado em afinidade

08 – Como fazer Clusterização baseado no algoritmo DBSCAN – “DBSCAN Clustering”

09 – Como fazer Clusterização baseada na abordagem do deslocamento médio (MinShift)

10 – Como utilizar a Árvore de Classificação e Regressão

11 – Como utilizar o algoritmo classificador e regressor – AdaBoost

12 – Como utilizar o algoritmo classificador e regressor – RandomForest

13 – Como utilizar o algoritmo classificador e regressor – GradientBoosting

14 – Como usar o classificador e regressor MLP – Perceptron Multicamadas

15 – Como usar o classificador e regressor “XgBoost” – reforço gradual (Gradient boosting)

16 – Como usar o classificador e regressor “CatBoost”

17 – Como usar o classificador e regressor – “LightGBM”

18 – Como usar o classificador e regressor “SVM” – Support Vector Machine

19 – Como importar arquivos CSV

20 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Multiclass Classification

21 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Naive Bayes

22 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Nearest Neighbors

23 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – LDA e QDA

24 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Tree Model

25 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Bagging) model

26 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Boosting) model

27 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Diferentes “Boosting models”

28 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Visualizar Tree Model

29 – Como utilizar a métrica de classificação

30 – Como utilizar o Métrico de Regressão

31 – Como comparar algoritmos de classificação do “sklearn”

32 – Como implementar o conjunto de votação – “Ensemble Model”

33 – Como salvar modelos treinados

34 – Como visualizar uma Arvore “XGBoost”

35 – Como visualizar a importância das características “XGBoost”

36 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem

37 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem

38 – Como paralelizar a execução de “XGBoost” e validação cruzada (cross validation)

39 – Como otimizar o número de árvores no XGBoost

Student Ratings & Reviews