61h

Para conclusão

7
Cursos
6
Artigos

Conheça a formação Machine Learning com Python: Regressão

Como seres humanos, somos capazes de detectar diversos tipos de padrões. Contudo, com o avanço na quantidade e qualidade de dados que capturamos, torna-se cada vez mais difícil elaborar em nossa mente um modelo que descreva o que acontece ou acontecerá em determinadas situações.

O que é Regressão em Machine Learning?

Regressão é uma técnica de Machine Learning que se concentra em prever valores contínuos. Por exemplo, prever o preço de uma casa, a demanda de um produto, ou a pontuação de um aluno com base em variáveis históricas. A regressão analisa a relação entre variáveis independentes e uma variável dependente, permitindo criar modelos preditivos precisos.

Por que utilizar Regressão?

A regressão é útil porque permite transformar dados históricos em previsões precisas, facilitando a tomada de decisões em diversas áreas. Ao utilizar técnicas de regressão, é possível otimizar processos, melhorar a precisão de previsões e identificar tendências ocultas nos dados.

Imagine, por exemplo, uma empresa que consegue prever a demanda por seus produtos em diferentes períodos do ano. Com essas previsões, a empresa pode ajustar seu estoque, melhorar a eficiência logística e aumentar a satisfação do cliente.

Na prática, como aplicar a Regressão?

Em vez de confiar em heurísticas simples, podemos treinar algoritmos de regressão, testar, validar contra modelos de base e colocá-los em produção, medindo continuamente o desempenho dos nossos modelos. Nos cursos desta formação, exploraremos diversas técnicas de regressão, desde as mais básicas até as avançadas, utilizando bibliotecas poderosas do Python.

Para você se aprofundar e conhecer outras áreas do Machine Learning, na formação Machine Learning Avançada, você irá explorar áreas como Deep Learning, Processamento de linguagem natural (NLP) e Visão Computacional. Caso você ache que não é o momento de avançar para estes assuntos e gostaria de colocar em prática o que aprendeu nesta formação resolvendo problemas reais com Machine Learning, a formação Machine Learning para Negócios Digitais é para você. Nela, você irá trabalhar com diversos problemas como detecção de fraude, segmentação de clientes e até criar uma aplicação e colocá-la em produção, dando os primeiros passos no famoso MLOps. Por fim, você também pode seguir para a formação Machine Learning com Python: Classificação, dando os primeiros passos em classificação, validação e métricas, resolvendo problemas multiclasse e otimização de modelos, aprendendo sobre dados multidimensionais, combinação de classificadores, como melhorar o desempenho com XGBoost e aprendizado semi-supervisionado.

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?

  • Ana Duarte

    Sou bacharela em Estatística e atualmente curso Ciência da Computação. Já atuei como cientista de dados no ramo educacional e financeiro e hoje sou instrutora na Escola de Dados da Alura e voluntária na equipe de projetos do grupo Data Girls. Sou apaixonada por transformar dados em informação inteligente usando a ciência de dados em diversos tipos de aplicação. Fora isso, sempre estou acompanhando alguma série e procurando novas rotas para andar de bike.

  • Ana Duarte

    Sou bacharela em Estatística e atualmente curso Ciência da Computação. Já atuei como cientista de dados no ramo educacional e financeiro e hoje sou instrutora na Escola de Dados da Alura e voluntária na equipe de projetos do grupo Data Girls. Sou apaixonada por transformar dados em informação inteligente usando a ciência de dados em diversos tipos de aplicação. Fora isso, sempre estou acompanhando alguma série e procurando novas rotas para andar de bike.

  • Afonso Augusto Rios

    Formado em Engenharia Elétrica, mas sempre com um pézinho na área da educação básica e tecnológica. Apaixonado por tecnologia, futebol e estudo de línguas, tenta trazer um pouco de ambos os mundos para seus estudos. Atuou como professor de Matemática em escolas públicas de Petrolina, através de um ONG na área de educação, e em projetos educacionais em diversos estados. Com conhecimento em Python e Data Visualization, vem se desenvolvendo na linguagem R, SQL e Power BI.

  • Afonso Augusto Rios

    Formado em Engenharia Elétrica, mas sempre com um pézinho na área da educação básica e tecnológica. Apaixonado por tecnologia, futebol e estudo de línguas, tenta trazer um pouco de ambos os mundos para seus estudos. Atuou como professor de Matemática em escolas públicas de Petrolina, através de um ONG na área de educação, e em projetos educacionais em diversos estados. Com conhecimento em Python e Data Visualization, vem se desenvolvendo na linguagem R, SQL e Power BI.

  • Mirla Costa

    Instrutora em Data Science, graduanda em Engenharia Elétrica pela UFPI com pesquisa focada em Aprendizado de Máquina e Inteligência Computacional. Amante de programação, tecnologia, cachorros, animações e jogar RPG de mesa.

  • Mirla Costa

    Instrutora em Data Science, graduanda em Engenharia Elétrica pela UFPI com pesquisa focada em Aprendizado de Máquina e Inteligência Computacional. Amante de programação, tecnologia, cachorros, animações e jogar RPG de mesa.

  • Valquíria Alencar 

    Doutora em Biotecnologia e realizou pós-doutorado na Universidade Federal do ABC. Atualmente, atua como instrutora na escola de Data Science, onde desenvolve projetos e cursos abrangendo o pré-processamento e análise exploratória de dados, visualização de dados em Python, aplicação de inteligências artificiais generativas, além da implementação e otimização de modelos de aprendizado de máquina. Também é uma das autoras do livro Séries Temporais com Prophet, publicado pela Editora Casa do Código.

  • Valquíria Alencar 

    Doutora em Biotecnologia e realizou pós-doutorado na Universidade Federal do ABC. Atualmente, atua como instrutora na escola de Data Science, onde desenvolve projetos e cursos abrangendo o pré-processamento e análise exploratória de dados, visualização de dados em Python, aplicação de inteligências artificiais generativas, além da implementação e otimização de modelos de aprendizado de máquina. Também é uma das autoras do livro Séries Temporais com Prophet, publicado pela Editora Casa do Código.

  • 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.

Passo a passo
  1. 1 Entendendo a regressão linear

    Embarque em uma jornada de Regressão com Python, dominando como treinar modelos de regressão linear a partir de dados e realizar previsões precisas. Neste primeiro passo, você construirá uma base sólida, aprendendo a extrair informações valiosas de seus dados e transformá-las em modelos preditivos eficazes.

    Você irá explorar conceitos sobre as métricas de regressão e irá descobrir como cada métrica revela diferentes aspectos do desempenho do seu modelo, permitindo que você escolha a mais adequada para cada problema específico. Com este conhecimento, você estará apto a avaliar seus modelos de forma crítica e tomar decisões informadas para otimizar seus resultados.

    Prepare-se para colocar suas habilidades em prática e enfrentar desafios reais de regressão. Utilizando bibliotecas poderosas como Statsmodels e Scikit-learn, você aplicará seus conhecimentos em diversos cenários, consolidando seu aprendizado e desenvolvendo sua expertise em Regressão com Python.

    • Artigo Desvendando a Regressão Linear | Alura

    • Curso Data Science: testando relações com Regressão Linear

      08h
      • Aprenda a identificar uma relação linear
      • Diferencie variável explicativa de variável resposta
      • Saiba ajustar um modelo de regressão linear
      • Interprete os coeficientes do modelo
      • Interprete o R²
      • Faça previsões com o modelo
      • Analise a qualidade do modelo
    • Artigo Correlação: compreendendo conceitos e sua aplicação | Alura

    • Curso Data Science: transformando variáveis para uma Regressão Linear

      08h
      • Aprenda a relacionar uma ou mais variáveis buscando uma relação linear entre elas
      • Implemente um modelo de regressão linear de múltiplas variáveis
      • Saiba como realizar a transformação de variáveis para aumentar a eficácia do modelo
      • Avalie as estatísticas do modelo, mantendo ou removendo características em busca de um modelo adequado
      • Avalie a precisão do modelo pelo R² e análise gráfica
      • Interprete os coeficientes do modelo e as contribuições de cada variável independente na variável resposta
      • Faça previsões com o modelo para um ou mais casos
  2. 2 Além da linearidade: Árvores de Regressão e Boosting

    Após dominar os fundamentos da regressão linear, prepare-se para desbravar territórios mais complexos, onde uma simples reta não é suficiente. Explore o fascinante universo das árvores de regressão e descubra como esses modelos poderosos podem capturar relações não lineares em seus dados, abrindo um leque de possibilidades para suas análises.

    Além disso, mergulhe nas técnicas de boosting e aprenda como combinar múltiplos modelos mais simples para alcançar resultados ainda mais precisos e robustos. Com o boosting, você poderá superar as limitações dos modelos individuais e extrair o máximo de informações de seus dados, elevando suas habilidades em regressão a um novo patamar.

    • Artigo Árvores de decisão: modelo de Machine Learning para Classificação e Regressão | Alura

    • Curso Regressão: construindo Árvores de Regressão

      08h
      • Ajuste dos dados para modelos de regressão baseados em árvores
      • Construção de modelos de árvore de regressão e floresta aleatória
      • Identificação e análise de sobreajuste (overfitting) nos modelos de regressão
      • Otimização e ajuste de hiperparâmetros para evitar sobreajuste
      • Comparação dos resultados dos modelos
      • Avaliação do desempenho dos modelos através de técnicas de validação cruzada
    • Artigo Explorando a técnica de boosting para melhorar modelos de regressão | Alura

    • Curso Regressão: aprimorando os resultados com XGBoost

      08h
      • Aprenda a usar a biblioteca XGBoost para solucionar problemas de regressão
      • Avalie o desempenho de modelos de regressão
      • Aplique a técnica de validação cruzada com XGBoost
      • Explore o efeito do número de rodadas de boosting em modelos XGBoost
      • Ajuste hiperparâmetros para melhorar a performance dos seus modelos
      • Compreenda a relevância da taxa de aprendizagem e como ela influencia os resultados
      • Saiba como salvar e utilizar modelos com novos dados
  3. 3 Desvendando as Séries Temporais

    Nesta etapa final, mergulhe no universo das séries temporais, onde a variável tempo desempenha um papel crucial. Desvende as particularidades desses dados e aprenda a extrair informações valiosas de suas flutuações e padrões ao longo do tempo.

    Domine os métodos clássicos de análise e previsão de séries temporais, como o ARIMA, e explore suas capacidades para modelar tendências, sazonalidades e outros componentes importantes. Além disso, aventure-se em bibliotecas mais recentes, como o Prophet, que simplificam a criação de modelos robustos e precisos, mesmo para usuários com menos experiência.

    • Artigo Um pouco sobre séries temporais e suas aplicações | Alura

    • Curso Séries temporais: detectando anomalias e realizando previsões

      08h
      • Analise distribuições de dados a partir de gráficos
      • Extraia a média móvel para suavizar séries temporais
      • Detecte anomalias em dados ao longo do tempo
      • Decomponha séries temporais em tendência, sazonalidade e resíduos
      • Construa um modelo de previsão de dados futuros em séries de tempo
    • Artigo Modelos matemáticos utilizados em séries temporais | Alura

    • Curso Regressão: realizando previsão de séries temporais com statsmodels

      08h
      • Estude séries temporais para selecionar o melhor modelo matemático de previsão
      • Aplique modelos matemáticos como AR, ARMA, ARIMA e SARIMA através da biblioteca statsmodels
      • Entenda como encontrar os melhores parâmetros para os modelos matemáticos
      • Realize a previsão de valores nunca vistos pelo modelo e avalie os resultados
      • Utilize a IA Gamma para gerar um relatório estilizado e profissional
    • Curso Regressão: prevendo séries temporais com Prophet

      10h
      • "Implemente um modelo de previsão de séries temporais
      • Analise os componentes de uma série temporal
      • Avalie a performance do modelo de previsão utilizando métricas apropriadas
      • Aplique técnicas para melhorar a performance do modelo
      • Aplique a técnica de validação cruzada para assegurar a robustez do modelo de previsão
      • Desenvolva uma aplicação web interativa utilizando Streamlit que permite a visualização de dados históricos e previsões de séries temporais
      • Realize o deploy da aplicação web

Escola

Data Science

Além dessa, a categoria Data Science conta com cursos de Ciência de dados, BI, SQL e Banco de Dados, Excel, Machine Learning, NoSQL, Estatística,e mais...

Conheça a Escola

Comece a estudar agora na maior escola de tecnologia do país

Conheça os Planos para Empresas