Aprenda a aplicar machine learning para inferir padrões em bases de dados. Investigue dados pela perspectiva do aprendizado de máquina e aplique modelos em um conjunto de dados do mundo real.
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import cross_val_score
from sklearn.cluster import KMeans
# Aprendizagem supervisionada — KNN
modelo = KNeighborsClassifier(n_neighbors=5)
scores = cross_val_score(modelo, X, y, cv=10)
print(f"Acuracia media: {scores.mean():.2%}")
# Aprendizagem nao supervisionada — K-means
grupos = KMeans(n_clusters=3, random_state=42).fit(X)
print(grupos.labels_)
Um curso hands-on que percorre os principais algoritmos de aprendizado de máquina e culmina em um projeto com dados do mundo real para turbinar seu portfólio.
Domine KNN, árvore de decisão, regressão linear e árvore de regressão para prever e classificar dados.
Explore agrupamento com K-means, sistemas de recomendação e o algoritmo Apriori.
Aprenda validação cruzada e boas práticas de preparação dos dados para modelos confiáveis.
Aplique tudo em um conjunto de dados real e construa um projeto para o seu portfólio.
Cientista de dados no Itaú Unibanco · Doutora em Engenharia Elétrica e Computação
Ana Carolina Lima é cientista de dados no Itaú Unibanco e doutora em Engenharia Elétrica e Computação. Ministrou disciplinas como Mineração de Dados, Inteligência Artificial, Banco de Dados e desenvolvimento de sistemas.
em até 3x · acesso vitalício