Categoria
Curso completo de programação em Python aplicada a IA: fundamentos da linguagem, NumPy, pandas, Matplotlib, álgebra linear, redes neurais e PyTorch. 30 aulas.
Em todo projeto de ML, antes de qualquer modelo, você precisa lidar com dados. E dados reais vêm em formatos tabulares: CSVs, planilhas Excel, bancos de dados relacionais, resultados de APIs em JSON. O Pandas é a ferramenta que transforma esses dados brutos em algo que você pode analisar, limpar e usar para treinar modelos.
Existe um ditado clássico em ciência de dados: "garbage in, garbage out". Um modelo treinado com dados sujos produz predições ruins, independente de quão sofisticado seja o algoritmo.
Antes de treinar qualquer modelo, você precisa entender seus dados. Visualizações revelam padrões, outliers, distribuições e relações que números brutos escondem.
Machine Learning é um subcampo da Inteligência Artificial onde sistemas aprendem padrões a partir de dados, sem serem explicitamente programados para cada situação.
Esses dois algoritmos são a base de toda a teoria de ML moderno:
Árvores de decisão são um dos algoritmos mais usados em produção por três razões principais:
Um modelo mal avaliado é pior do que nenhum modelo — você toma decisões baseadas em uma performance que não existe na prática.
Sem Pipeline, o código de ML tem problemas sérios:
O neurônio biológico recebe sinais elétricos de outros neurônios através dos dendritos, processa esses sinais no corpo celular e, se o estímulo for suficientemente forte, dispara um sinal pelo axônio para os próximos neurônios.
Na aula anterior construímos o forward pass. O modelo faz uma predição, calculamos a perda — mas como saber em qual direção ajustar cada um dos milhares de pesos para reduzir a perda?