Formações Data Science Machine Learning com Python: Classificação

Formação Machine Learning com Python: Classificação

Desenvolva habilidades em Machine Learning para resolver problemas de Classificação com Python, explorando os fundamentos e técnicas essenciais para a construção de modelos precisos e eficazes.

* Esta formação faz parte dos nossos cursos de Data Science

Quero Estudar na Alura

67h

Para conclusão

Cursos

Vídeos extras

Artigos

Conheça a formação de Machine Learning com Python: Classificação

Inicie seus estudos em classificação de dados! A classificação com Machine Learning é uma técnica na área da inteligência artificial em que um algoritmo é treinado para identificar e categorizar dados em classes ou categorias distintas, com base nos padrões e características encontrados em conjuntos de dados.

O que você aprenderá?

Nesta formação, você aprenderá os primeiros passos em classificação, validação e métricas, como resolver problemas multiclasse e otimização de modelos. Você também aprenderá sobre dados multidimensionais, combinação de classificadores, como melhorar o desempenho com XGBoost e aprendizado semi-supervisionado. Ao finalizar a formação, você estará capacitado(a) a aplicar técnicas de classificação com confiança, melhorando o seu conjunto de habilidades em Machine Learning e preparando-se para desafios práticos do mercado.

Por que estudar esta formação?

Guia de aprendizado
Conteúdos pensados para facilitar seu estudo
Do básico ao avançado
Formação completa para o mercado
Você dentro do mercado
Do zero ao sonhado emprego em sua área de interesse

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Com quem você vai aprender?

Valquíria Alencar
Val é doutora em biotecnologia com pós-doutorado pela UFABC. Atualmente, é instrutora na escola de Data Science, onde desenvolve cursos voltados para análise de dados, modelos preditivos, IAs generativas e soluções inovadoras com LLMs. Também gosta de escrever e é coautora do livro Séries Temporais com Prophet pela Casa do Código. É apaixonada por tecnologia, One Piece, RPGs como Tibia e Stardew Valley, além de ser entusiasta de cafés especiais.
Valquíria Alencar
Val é doutora em biotecnologia com pós-doutorado pela UFABC. Atualmente, é instrutora na escola de Data Science, onde desenvolve cursos voltados para análise de dados, modelos preditivos, IAs generativas e soluções inovadoras com LLMs. Também gosta de escrever e é coautora do livro Séries Temporais com Prophet pela Casa do Código. É apaixonada por tecnologia, One Piece, RPGs como Tibia e Stardew Valley, além de ser entusiasta de cafés especiais.
João Vitor de Miranda
Bacharel em Matemática e pós graduado em Data Science e Analytics. Com conhecimento em Matemática, Estatística, Excel, Python, R e SQL/NoSQL.
João Vitor de Miranda
Bacharel em Matemática e pós graduado em Data Science e Analytics. Com conhecimento em Matemática, Estatística, Excel, Python, R e SQL/NoSQL.
Bruno Raphaell
Bruno é um instrutor de Data Science e Engenheiro Eletricista pela Universidade Federal do Piauí. Se dedica em áreas como Data Science, Machine Learning e Deep Learning, e possui grande interesse em engenharia de dados e engenharia de machine learning. Além disso, em seu tempo livre, ele gosta de jogar xadrez, tocar instrumentos musicais e jogar League of Legends.
Bruno Raphaell
Bruno é um instrutor de Data Science e Engenheiro Eletricista pela Universidade Federal do Piauí. Se dedica em áreas como Data Science, Machine Learning e Deep Learning, e possui grande interesse em engenharia de dados e engenharia de machine learning. Além disso, em seu tempo livre, ele gosta de jogar xadrez, tocar instrumentos musicais e jogar League of Legends.
Allan Segovia Spadini
Allan trabalha como instrutor de Ciência de dados na Alura desde 2019. Também é um dos autores do livro Séries temporais com Prophet pela Casa do Código.
Allan Segovia Spadini
Allan trabalha como instrutor de Ciência de dados na Alura desde 2019. Também é um dos autores do livro Séries temporais com Prophet pela Casa do Código.
Paulo Calanca
Estudante de Engenharia de Computação, na Universidade Candido Mendes. Atualmente atua como Monitor da escola de dados da Alura. Com muito interesse em Estatística, Data Science e Engenharia de Dados. Constantemente aprendendo novas tecnologias.
Paulo Calanca
Estudante de Engenharia de Computação, na Universidade Candido Mendes. Atualmente atua como Monitor da escola de dados da Alura. Com muito interesse em Estatística, Data Science e Engenharia de Dados. Constantemente aprendendo novas tecnologias.

Passo a passo

1 Iniciando em Classificação
Neste primeiro momento, você iniciará a jornada em Classificação com Python aprendendo como treinar modelos de classificação a partir de dados, fazer previsões de novos dados a partir do modelo treinado e armazená-lo em um arquivo para que possa ser utilizado em seus projetos.
Você vai explorar as principais métricas dos modelos de classificação, identificar a métrica mais relevante para cada tipo de problema, utilizar diferentes estratégias de validação de dados para avaliação do desempenho dos modelos e aprender técnicas para lidar com dados desbalanceados.
Por fim, você terá a oportunidade de aplicar todas essas habilidades em problemas multiclasse, onde não estamos mais lidando apenas com duas categorias, mas sim com várias. A capacidade de classificar dados em múltiplas categorias é crucial em muitas aplicações do mundo real e ampliará significativamente o seu conjunto de habilidades em classificação com Python.
- Artigo O que é Machine Learning? | Alura
- Curso Classificação: aprendendo a classificar dados com Machine Learning
  08h
- Artigo Problemas resolvidos por algoritmos de classificação | Alura
- Alura+ Métricas de avaliação para classificação
- Curso Classificação: validação de modelos e métricas de avaliação
  08h
- Alura+ Curva ROC
- Curso Classificação: resolvendo problemas multiclasse
  08h
2 Otimizando os resultados
Após concluirmos as etapas iniciais do processo de construção de modelos de Machine Learning voltados para a classificação, é hora de aprofundar nossa compreensão sobre como aprimorar os resultados obtidos. Nesse sentido, vamos avançar na otimização de hiperparâmetros, explorando técnicas como a validação cruzada aninhada (Nested Cross-Validation), a busca aleatória (Random Search), a busca em grade (Grid Search) e a otimização bayesiana (Bayesian Optimization).
Na sequência vamos utilizar técnicas para verificar a importância dos atributos dos nossos conjuntos de dados sobre o problema de classificação. Assim, será possível ajustar os dados apenas aos melhores atributos e otimizar os resultados.
- Curso Classificação: otimizando modelos de machine learning
  08h
- Curso Classificação: selecionando features
  08h
3 Combinando técnicas
Nesta última etapa, você será guiado por estratégias avançadas de combinação de classificadores, aprendendo a integrar diferentes abordagens para potencializar a precisão de suas previsões. Em seguida, exploraremos o XGBoost, uma ferramenta poderosa para impulsionar o desempenho dos seus modelos, capacitando-o a dominar técnicas avançadas de otimização.
Além disso, abordaremos o aprendizado semissupervisionado na classificação, revelando estratégias inovadoras para lidar com conjuntos de dados parcialmente rotulados. Ao integrar informações não supervisionadas, você aprimorará ainda mais seus modelos de classificação.
Ao concluir este passo, você estará preparado(a) para enfrentar desafios complexos no mundo do Machine Learning. As habilidades que você adquirir ao longo destes cursos lhe proporcionarão uma vantagem significativa na resolução de problemas do mundo real e na tomada de decisões embasadas em dados.
- Artigo Machine Learning: conhecendo as técnicas de bagging e boosting | Alura
- Curso Classificação: combinando classificadores para a melhoria de performance
  08h
- Curso Classificação: melhorando o desempenho com XGBoost
  08h
- Artigo Machine Learning: o que é aprendizado semi-supervisionado | Alura
- Curso Classificação: construindo modelos semi-supervisionados
  08h
- Artigo Os 4 tipos de aprendizagem na IA, algoritmos e usos | Alura