Este capítulo apresenta a espinha dorsal do Machine Learning no tidyverse: o List Column Workflow (LCW). O LCW permite que você trabalhe com muitos modelos em um único dataframe. <br> Este capítulo também apresenta os fundamentos do pacote broom para explorar seus modelos.

Fundamentos de Machine Learning "tidy"

Aninhando seus dados

Desaninhando seus dados

Explore uma célula aninhada

A família de funções map

Mapeando seus dados

Esperando uma saída mapeada

Mapeando muitos modelos

Deixe seus modelos "tidy" com o broom

Três formas de organizar seu modelo

Extraindo estatísticas do modelo de forma "tidy"

Aumentando seus dados

Fundamentos de Machine Learning "organizado" (tidy)

Este capítulo aproveita o List Column Workflow para construir e explorar os atributos de 77 modelos. Você usará as ferramentas do pacote broom para obter uma compreensão multidimensional de todos esses modelos.

Explorando coeficientes em vários modelos

Organize os coeficientes dos seus modelos

O que podemos aprender sobre esses 77 países?

Avaliando o ajuste de muitos modelos

Dê uma olhada no ajuste dos seus modelos

Melhores e piores ajustes de modelos

Inspecione visualmente o ajuste de muitos modelos

Aumente os valores ajustados de cada modelo

Explore seus modelos com melhor e pior ajuste

Melhore o ajuste dos seus modelos

Construa modelos melhores

Prevendo o futuro

Vários modelos com broom

Neste capítulo, você vai aprender a usar o List Column Workflow para construir, ajustar e avaliar modelos de regressão. Você terá a chance de trabalhar com dois tipos de modelos: modelos lineares e modelos de random forest.

Divisões de treino, teste e validação

A divisão em treino e teste

Data frames de validação cruzada

Medindo o desempenho da validação cruzada

Construir modelos com validação cruzada

Preparando para a avaliação

Avaliar o desempenho do modelo

Construindo e ajustando um modelo de random forest

Construa um modelo de random forest

Avaliar um modelo de random forest

Ajuste fino do seu modelo

O melhor hiperparâmetro

Medindo o desempenho no teste

Criar e avaliar o melhor modelo

Construir, ajustar e avaliar modelos de regressão

Neste capítulo, você vai mudar o foco para construir, ajustar e avaliar modelos de classificação.

Modelos de regressão logística

Prepare as partes de treino-teste-validação

Avaliando modelos de classificação

Previsões de um único modelo

Desempenho de um único modelo

Prepare-se para o desempenho com validação cruzada

Calcular o desempenho com validação cruzada

Random forest para classificação

Ajustar modelos de random forest

Desempenho do random forest

Construir modelo final de classificação

Mensurar o desempenho final do modelo

Encerramento

Construir, ajustar e avaliar modelos de classificação

Gapminder

Attrition

Neste curso, você vai aprender a usar as ferramentas do "tidyverse" para gerar, explorar e avaliar modelos de Machine Learning. Com uma combinação dos pacotes tidyr e purrr, você vai construir a base para trabalhar com objetos de modelo complexos de forma "organizada" (tidy). Você também vai aprender a usar o pacote broom para explorar seus modelos resultantes. Em seguida, será apresentado às ferramentas do fluxo de trabalho de treino-teste-validação, que vão permitir avaliar o desempenho de modelos de classificação e regressão e fornecer as informações necessárias para otimizar o desempenho por meio de ajuste de hiperparâmetros.

Boas-vindas ao curso! Neste curso, você continuará sua jornada para aprender o tidyverse e aplicar seu conhecimento aos conceitos de aprenzidado de máquina.<br><br>
Este curso é ideal se você quer integrar as ferramentas Tidyverse do R aos seus fluxos de trabalho de aprenzidado de máquina. <br><br><h2>Avaliando modelos de aprenzidado de máquina</h2>
Ao longo deste curso, você vai se concentrar em aproveitar as ferramentas do tidyverse em R para construir, explorar e avaliar modelos de aprenzidado de máquina com eficiência.<br><br>
O curso começa apresentando o List Column Workflow (LCW), um método para gerenciar vários modelos dentro de um único dataframe. Também aborda o uso do pacote broom para organizar e explorar os resultados do modelo, tornando os resultados complexos mais interpretáveis.<br><br><h2>Utilizando tidyr e purrr</h2>
Trabalhe em exercicio práticos, incluindo a construção e avaliação de modelos de regressão, além de modelos de classificação. Explore técnicas para ajustar hiperparâmetros e otimizar o desempenho do modelo.<br><br>
Você usará pacotes como tidyr e purrr para lidar com manipulações complexas de dados e avaliações de modelos, garantindo uma abordagem organizada e sistemática para o aprenzidado de máquina.<br><br><h2>Adquira aplicação no mundo real</h2>
Explore exemplos do mundo real por meio de vários estudos de caso, como o uso do conjunto de dados gapminder para prever a expectativa de vida com modelos lineares.<br><br>
Ao final do curso, você terá uma base sólida na aplicação dos princípios do Tidyverse ao aprenzidado de máquina, permitindo que você construa, ajuste e avalie modelos de forma eficiente, organizada e reproduzível. 

Modeling with Data in the Tidyverse

Use tidyr e purrr do tidyverse para criar, explorar e avaliar modelos de aprendizado de máquina.

Machine Learning no tidyverse

Use os pacotes tidyr e purrr no tidyverse para gerar, explorar e avaliar modelos de aprenzidado de máquina.

Caixa de ferramentas intermediária do Tidyverse

Cientista de aprendizado de máquina in R

Aprendizado de máquina supervisionado em R

Lead Data Scientist, Memorial Sloan Kettering Cancer Center

Organize seus modelos com broom

Fluxo com colunas de lista

Kit de ferramentas broom

Resumo de algeria_model

tidy()

glance()

augment()

Plotando dados aumentados

Vamos usar o broom!

Fundamentos de Machine Learning "organizado" (tidy) - Deixe seus modelos "tidy" com o broom

Deixe seus modelos "tidy" com o broom

Create Your Free Account