Descrição do Curso
Neste curso, aprenderá os fundamentos da modelagem de classificação usando aprendizagem de máquina. Examinará o pipeline de modelo de classificação típico e onde a classificação de problemas pode ser aplicada. Também aprenderá a recolher, pré-processar e analisar os dados necessários para criar um modelo de classificação viável.
Os modelos de classificação mais comuns serão explicados e os trade-offs entre os modelos discutidos, incluindo dicas práticas para a sua implementação. Este curso também apresenta redes neurais e as suas aplicações em modelos de classificação. Os desafios comuns serão discutidos para que possa garantir que os modelos criados sejam justos, confiáveis e robustos. Por fim, terá a chance de revisar vários estudos de caso de modelos de classificação para ver como funcionam em detalhes. No final deste curso, deverá ser capaz de projetar, analisar, validar e implementar um modelo de classificação, bem como entender as implicações do seu uso.
O Que Você Vai Aprender
- Identificar como e onde os modelos de classificação se aplicam a problemas do mundo real
- Comparar algoritmos de classificação, incluindo seus pontos fortes, fracos e cenários aplicáveis
- Escolher o melhor algoritmo de classificação para um problema específico, considerando as compensações entre modelos
- Coletar, pré-processar e analisar os dados necessários para construir um modelo de classificação viável
- Analisar, validar e implementar os resultados de um modelo de classificação
- Examinar estudos de caso de modelos de classificação que foram implementados
Principais Conclusões
- O curso cobre o pipeline típico do modelo de classificação, desde a coleta de dados e pré-processamento até construção do modelo, engenharia de features e validação.
- Explica os modelos de classificação mais comuns e discute as compensações entre eles juntamente com dicas práticas de implementação.
- Redes neurais e suas aplicações em modelos de classificação são introduzidas, incluindo classificação de imagens e redes neurais convolucionais.
- Desafios comuns como explainability, viés e justiça, e ataques adversariais são discutidos para ajudar a construir modelos justos, confiáveis e robustos.
- Estudos de caso, incluindo comportamento de clientes, medicina e assistência médica e classificação de imagens, mostram como modelos de classificação funcionam em detalhes.
Perguntas Frequentes
O que poderei fazer após completar este curso?
Ao final do curso, você deve ser capaz de projetar, analisar, validar e implementar um modelo de classificação, bem como compreender as implicações de seu uso.
Quais modelos de classificação este curso cobre?
O curso cobre modelos de classificação comuns, incluindo regressão, Naive Bayes, máquinas de vetores de suporte, árvores de decisão, modelos de floresta aleatória, gradient boosting, k-vizinhos mais próximos, modelos multiclasse e perceptrons e redes neurais.
Este curso cobre redes neurais?
Sim. Introduz redes neurais e suas aplicações em modelos de classificação, incluindo classificação de imagens e redes neurais convolucionais.
Quais desafios na modelagem de classificação o curso aborda?
Discute desafios comuns como problemas de coleta de dados, explainability, viés e justiça, ataques adversariais e desafios emergentes, para que você possa garantir que seus modelos sejam justos, confiáveis e robustos.
Existem exemplos do mundo real neste curso?
Sim. O curso inclui estudos de caso de modelos de classificação implementados, cobrindo comportamento de clientes, medicina e assistência médica e classificação de imagens.
Certificações profissionais e Unidades de Educação Continuada (CEUs)
Continuing Development Units (CDUs): 2.0
A KnowledgeCity é uma fornecedora de educação aprovada pelo International Institute of Business Analysis™ (IIBA®) para CCBA®, CBAP®. Os cursos da KnowledgeCity podem ajudar os alunos com as suas unidades de desenvolvimento contínuo (CDUs).
