Inicio
Cursos
Aprendizado de máquina para empresas

Aprendizado de máquina e pirâmide de dados

Este exercício faz parte do curso

Aprendizado de máquina para empresas

InicianteNível de habilidade

4.8+

O aprendizado de máquina é usado em muitos setores e campos diferentes. Ele pode melhorar fundamentalmente os negócios se for aplicado corretamente. Este capítulo descreve os casos de uso do aprendizado de máquina, os cargos e como eles se encaixam na pirâmide de necessidades de dados.

Exercise 1: Aprendizado de máquina e pirâmide de dados

Exercício atual

Exercise 2: Esclarecimento da terminologia Exercise 3: Necessidades da pirâmide de dados de pedidos Exercise 4: Combinar tarefas na pirâmide de dados Exercise 5: Princípios de aprendizado de máquina Exercise 6: Tipos de modelagem Exercise 7: Encontrar casos supervisionados e não supervisionados Exercise 8: Funções de trabalho, ferramentas e tecnologias Exercise 9: Responsabilidades do cargo Exercise 10: Combine projetos de dados com funções de trabalho Exercise 11: Tipos de estrutura de equipe

Este capítulo apresenta uma visão geral dos diferentes tipos de aprendizado de máquina. Veremos as diferenças entre modelos causais e de previsão, exploraremos o aprendizado supervisionado e não supervisionado e, por fim, entenderemos os subtipos de aprendizado supervisionado: classificação e regressão.

Exercise 1: Previsão vs. dilema da inferência Exercise 2: Diferenças de inferência e previsão Exercise 3: Identificar casos de uso de inferência vs. previsão Exercise 4: Modelos de inferência (causal)Exercise 5: Experimentos e modelos causais Exercise 6: Identificar variáveis não acionáveis Exercise 7: Modelos de previsão (aprendizado supervisionado)Exercise 8: Princípios de modelagem supervisionada Exercise 9: Identificar modelos de classificação e regressão Exercise 10: Modelos de previsão (aprendizado não supervisionado)Exercise 11: Casos de uso de modelagem não supervisionada Exercise 12: Modelos de classificação, regressão ou não supervisionados

Este capítulo analisa as principais etapas para definir o escopo dos requisitos de negócios, identificar e dimensionar as oportunidades de aprendizado de máquina, avaliar o desempenho do modelo e identificar quaisquer riscos de desempenho no processo.

Exercise 1: Requisitos de negócios Exercise 2: Identificar a situação, a oportunidade e a ação Exercise 3: Identificar experimentos bem-sucedidos Exercise 4: Treinamento de modelos Exercise 5: Processo de treinamento de modelos Exercise 6: Treinamento, validação e teste Exercise 7: Medição do desempenho do modelo Exercise 8: Exemplos de desempenho insatisfatório Exercise 9: Identificar métricas de desempenho Exercise 10: Riscos de aprendizado de máquina Exercise 11: Correção de modelos sem desempenho Exercise 12: Modelos não acionáveis Exercise 13: Identificar recomendações acionáveis

Neste capítulo, você verá as melhores e piores práticas de gerenciamento de projetos de aprendizado de máquina. Identificaremos os erros mais comuns de aprendizado de máquina, aprenderemos a gerenciar a comunicação entre as equipes de negócios e ML e, por fim, abordaremos os desafios ao implantar modelos de aprendizado de máquina na produção.

Exercise 1: Erros de aprendizado de máquina Exercise 2: Identificar erros de aprendizado de máquina Exercise 3: Pirâmide de necessidades de dados Exercise 4: Faça a correspondência entre os erros do site ML e seus tipos Exercise 5: Gerenciamento de comunicação Exercise 6: Foco na comunicação empresarial Exercise 7: Teste de mercado Exercise 8: Aprendizado de máquina na produção Exercise 9: Sistemas de produção Exercise 10: Sistemas de produção ML casos de uso Exercise 11: ML em lançamento de produção Exercise 12: Resumo