Um curso
Todas as aulas, projetos e simulados de Aprendizado de máquina.
Cobrança mensal. Cancele quando quiser.
Nível 1: Estreante
0 pontos
Faça login para salvar seu progresso e continuar em outros dispositivos.
Cursos / Ferramentas de dados e análise
Crie e avalie modelos com scikit-learn em um notebook real. Você começa pelo fluxo de modelagem e por divisões de avaliação honestas, e segue com regressão, classificação, pipelines, seleção de modelos e eventos raros, com cada resultado conferido. No final há quatro projetos e dois simulados.
Escolha seu plano aqui. Seu curso já está selecionado.
Crie e avalie um modelo de prioridade de lembretes sem alterar o acesso às consultas.
6 passos · 18 minProjeto · IntermediárioProjeto de segmentação de clientesCrie grupos de clientes e um resumo de comportamento indexado.
8 passos · 40 minProjeto · IntermediárioProjeto de cancelamentos de associadosCrie uma avaliação de cancelamentos com dados reservados e pontue registros de clientes novos.
8 passos · 40 minEstudo de caso · IntermediárioCaso de escolha de métrica no varejoEscolha um modelo de revisão com base na cobertura de casos positivos e na capacidade de revisão.
6 passos · 18 minProjeto · AvançadoProjeto de revisão de fraudeDefina um limiar de revisão de fraude para a Nacre Payments quando uma fraude não detectada custa oito vezes mais do que um falso alarme.
8 passos · 40 minEstudo de caso · AvançadoDiagnóstico do modelo de logísticaUm modelo de entregas parece preciso com seus dados de treinamento. Descubra como ele vai se comportar com entregas novas e o que informar.
6 passos · 30 minProjeto · EspecialistaProjeto de previsão da demandaPreveja a demanda com variáveis somente do passado, um conjunto reservado ordenado no tempo e uma referência a superar.
8 passos · 40 minEstudo de caso · EspecialistaRevisão de lançamento de mídia e viagensRevise um modelo de mídia e viagens antes do lançamento, partindo dos dados de resultado disponíveis.
6 passos · 30 minSimulado · EspecialistaTeste técnico de modelagem AUm teste de modelagem cronometrado sobre conjuntos reservados cronológicos, variáveis defasadas, validação agrupada, deriva e um limiar de custo esperado.
12 perguntas · 40 minSimulado · EspecialistaTeste técnico de modelagem BUm segundo teste de modelagem cronometrado sobre folds móveis, entidades não vistas, avaliação aninhada, mudanças de taxa, reversão e recall por subgrupo.
12 perguntas · 45 minPercorra o fluxo de modelagem em um notebook Python real. Você começa com variáveis preditoras, alvos, divisões de treino e teste e modelos de referência. Depois constrói modelos de regressão e de classificação, pipelines reutilizáveis de pré-processamento e experimentos de seleção de modelos. Mais adiante, o trabalho aborda clustering, desbalanceamento de classes, probabilidades calibradas, interpretação e avaliação cronológica. Os projetos originais pedem que você pontue o churn de clientes, preveja a demanda, investigue fraudes e descreva segmentos de clientes. Cada tarefa verifica os objetos ajustados e os resultados em um segundo conjunto de dados. Você termina com prática de entrevistas e dois testes de seleção cronometrados.
Work one company brief through several tools. Your Aprendizado de máquina stage reads the tables from the stage before.
Ver todos os projetosExplique o que você aprendeu em uma entrevista em tela cheia. Fale ou digite e depois revise suas respostas usando a rubrica do seu nível.
Processos seletivos por cargoIniciante
Formule uma decisão, identifique os preditores e defina o resultado.
Proteja as observações de validação e de teste das informações de treinamento.
Compare um modelo ajustado com um modelo de referência usando erros em dados reservados.
Ajuste um classificador binário e meça as consequências dos seus erros.
Intermediário
Ajuste transformações com as linhas de treinamento e controle a complexidade dos coeficientes.
Compare árvores, médias de florestas e boosting sequencial.
Use distâncias para classificar e para criar agrupamentos de clientes que façam sentido.
Trate valores ausentes e categorias novas dentro de pipelines ajustados.
Avançado
Crie variáveis e compare candidatos com folds de validação.
Avalie resultados desbalanceados e escolha limiares operacionais.
Analise clusters de densidade e projeções de menor dimensão.
Calibre probabilidades e analise as contribuições preditivas sem afirmar causalidade.
Especialista
Valide previsões com variáveis defasadas e conjuntos reservados estritamente posteriores.
Mantenha os grupos separados e distinga a seleção do modelo da sua avaliação.
Meça o drift e os resultados maduros antes de escolher uma resposta.
Combine custos de erro, evidências por subgrupo e avaliações cronometradas.