Classificadores lineares em Python
Neste curso, você aprenderá sobre classificadores lineares como regressão logística e SVM.
Comece O Curso Gratuitamente4 horas13 vídeos44 exercícios
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?Experimente o DataCamp For Business
Amado por alunos de milhares de empresas
Descrição do Curso
Neste curso, você aprenderá tudo sobre o uso de classificadores lineares, especificamente regressão logística e máquinas de vetor de suporte, com o scikit-learn. Depois de aprender a aplicar esses métodos, você mergulhará nas ideias por trás deles e descobrirá o que realmente os faz funcionar. Ao final deste curso, você saberá como treinar, testar e ajustar esses classificadores lineares em Python. Você também terá uma base conceitual para entender muitos outros algoritmos de aprendizado de máquina.
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Cientista de aprendizado de máquina com Python
Ir para a trilhaAprendizado de máquina supervisionado em Python
Ir para a trilha- 1
Aplicando a regressão logística e SVM
GratuitoNeste capítulo, você aprenderá os fundamentos da aplicação da regressão logística e das máquinas de vetores de suporte (SVMs) a problemas de classificação. Você usará a biblioteca
scikit-learnpara ajustar modelos de classificação a dados reais.Atualização do scikit-learn50 xpKNN classificação100 xpComparação de modelos50 xpAjuste excessivo50 xpAplicando a regressão logística e SVM50 xpExecutando LogisticRegression e SVC100 xpAnálise de sentimento para críticas de filmes100 xpClassificadores lineares50 xpQual limite de decisão é linear?50 xpVisualização de limites de decisão100 xp - 2
Funções de perda
Neste capítulo, você descobrirá a estrutura conceitual por trás da regressão logística e SVMs. Isso permitirá que você se aprofunde no funcionamento interno desses modelos.
Classificadores lineares: os coeficientes50 xpComo os modelos fazem previsões50 xpAlterar os coeficientes do modelo100 xpO que é uma função de perda?50 xpA derrota por 0 a 150 xpMinimização de uma função de perda100 xpDiagramas de função de perda50 xpFunções de perda de classificação50 xpComparação das perdas logísticas e de articulação100 xpImplementação da regressão logística100 xp - 3
Regressão logística
Neste capítulo, você se aprofundará nos detalhes da regressão logística. Você aprenderá tudo sobre regularização e como interpretar o resultado do modelo.
Regressão logística e regularização50 xpRegressão logística regularizada100 xpRegressão logística e seleção de recursos100 xpIdentificar as palavras mais positivas e negativas100 xpRegressão logística e probabilidades50 xpObtendo probabilidades de classe50 xpRegularização e probabilidades100 xpVisualização de exemplos fáceis e difíceis100 xpRegressão logística multiclasse50 xpContagem dos coeficientes50 xpAjuste da regressão logística multiclasse100 xpVisualização da regressão logística multiclasse100 xpUm-vs-resto SVM100 xp - 4
Máquinas de vetor de suporte
Neste capítulo, você aprenderá tudo sobre os detalhes das máquinas de vetores de suporte. Você aprenderá a ajustar hiperparâmetros para esses modelos e a usar kernels para ajustar limites de decisão não lineares.
Vetores de suporte50 xpDefinição do vetor de suporte50 xpEfeito da remoção de exemplos100 xpKernel SVMs50 xpGridSearchCV warm-up100 xpAjuste conjunto de gama e C com o GridSearchCV100 xpComparação entre regressão logística e SVM (e além)50 xpUma vantagem de SVMs50 xpUma vantagem da regressão logística50 xpUsando o classificador SGDC100 xpConclusão50 xp
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Cientista de aprendizado de máquina com Python
Ir para a trilhaAprendizado de máquina supervisionado em Python
Ir para a trilhacolaboradores
Áudio Gravado por
pré-requisitos
Supervised Learning with scikit-learnMike Gelbart
Ver Mais
Instructor, the University of British Columbia
O que os outros alunos têm a dizer?
Junte-se a mais de 14 milhões de alunos e comece Classificadores lineares em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.