iannak/marchine_learning_python

MARCHINE LEARNING

• Aula 1 e 2 são de classificação:

  • Treinar algoritmos;
  • Definir características (features) do que desejamos classificar;
  • Classificar em categorias;
  • Utilizar o módulo linearSVC e accuracy_score;
  • Utilizar o método fit;
  • Prever dados com a função predict;
  • Calcular a taxa de acerto do modelo;
  • Comparar testes e previsões;
  • Utilizar a função soma;
  • Padronizar variáveis;
  • Abrir arquivo CSV;
  • Imprimir as primeiras linhas com a função head;
  • Renomear as colunas;
  • Utilizar a função shape para ver a quantidade de elementos;
  • Separar dados para treino e teste;
  • Definir a ordem para os números aleatórios;
  • Utilizar a função value_counts.

• Aula 3 Um projeto de baixa dimensionalidade e o baseline:

  • Trocar valores;
  • Usar a biblioteca seaborn;
  • Gerar um gráfico com dados do CSV;
  • Definir cores no gráfico;
  • Gerar gráficos distintos;
  • Criação de um algoritmo base;
  • Capturar os valores mínimos e máximos.
  • Utilizar a função arange do numpy

• Aula 4 Support Vector Machine e não linearidade:

  • Utilizar o módulo Support Vector Machine;
  • Gerar valores randômicos com o módulo SVC;
  • Utilizar o módulo Standard Scale.

• Aula 5 Dummy classifiers e árvore de decisão:

  • Alterar dados em colunas;
  • Utilizar o módulo datetime;
  • Criar colunas;
  • Remover colunas e linhas;
  • Utilizar o módulo dummie para gerar colunas;
  • Utilizar o módulo graphviz para gerar gráficos;
  • Definir propriedades gráficas na árvore de decisão

• Aula 6 - Classificação:

  • Identificar os tipos de variáveis numéricas e categóricas;
  • Compreender o conceito de classificação e quando devemos utilizá-la;
  • Explicar a matemática por trás da classificação;
  • Diferenciar a classificação da regressão;
  • Demonstrar o balanceamento dos dados.