Launching into Machine Learning em Português Brasileiro

Overview

Class Central Tips

O curso começa propondo a seguinte discussão: como melhorar a qualidade dos dados e fazer uma análise exploratória deles? Descrevemos o AutoML na Vertex AI e como criar, treinar e implantar um modelo de ML sem escrever nenhuma linha de código. Você vai conhecer os benefícios do BigQuery ML. Depois vamos falar sobre como otimizar um modelo de machine learning (ML) e como a generalização e a amostragem podem ajudar na avaliação de qualidade dos modelos de ML em treinamentos personalizados.

Syllabus

Introdução

Neste módulo, apresentamos uma visão geral do curso e dos objetivos.

Conheça seus dados: use a análise exploratória para melhorar os dados

Neste módulo, vamos mostrar como melhorar a qualidade dos dados e como fazer uma análise exploratória deles. Vamos analisar a importância da organização dos dados no machine learning e mostrar como isso afeta a qualidade dos dados. Por exemplo, a falta de valores pode distorcer os resultados. Você também vai aprender a importância da exploração dos dados. Assim que os dados estiverem organizados, você vai fazer a análise exploratória no conjunto de dados.

Machine learning na prática

Neste módulo, vamos apresentar alguns dos principais tipos de machine learning para que você acelere seu crescimento como profissional de ML.

Como treinar modelos do AutoML usando a Vertex AI

Neste módulo, vamos apresentar o treinamento de modelos do AutoML usando a Vertex AI.

Machine learning do BigQuery: desenvolva modelos de ML onde seus dados estão

Neste módulo, vamos apresentar o BigQuery ML e os recursos dessa ferramenta.

Otimização

Neste módulo, vamos mostrar como otimizar os modelos de ML.

Generalização e amostragem

Agora é hora de responder a uma pergunta bem peculiar: em que momento o modelo de ML mais preciso pode não ser a escolha certa? Como sugerimos no último módulo sobre otimização, o fato de um modelo ter uma métrica de perda igual a 0 no seu conjunto de dados de treinamento não significa que ele vai ter um bom desempenho em dados novos no mundo real. Você vai aprender a criar conjuntos de dados repetíveis de treinamento, avaliação e teste e a estabelecer comparativos de mercado de desempenho.