Introdução
Este módulo explora um processo chamado aprendizado supervisionado, no qual os modelos de machine learning aprendem com exemplos.
Quando entendemos o aprendizado supervisionado, começamos a nos aprofundar nos componentes individuais do processo de aprendizado e em como exatamente esse processo pode melhorar um modelo. Por meio de exemplos, também exploramos como a configuração correta desse processo de aprendizagem é fundamental para a obtenção de um modelo de alto desempenho.
Ao longo deste módulo, utilizamos o seguinte cenário para explicar o processo de aprendizado supervisionado. Este cenário oferece um exemplo de como você pode atender a esses conceitos durante a programação.
Sua família administra a fazenda de alces mais antiga do estado de Washington há várias gerações, mas, ao longo das décadas, a saúde do rebanho tem piorado lentamente. É um fato que a raça dos alces da sua fazenda não deve ser alimentada com grãos quando as temperaturas noturnas médias estão acima da temperatura de congelamento (32°F ou 0°C). Por esse motivo, você tradicionalmente segue o calendário agrícola do seu avô e suspende a alimentação com grãos após 31 de janeiro.
Recentemente, você leu sobre como as mudanças climáticas estão afetando as práticas agrícolas. Será que essas mudanças explicam a piora na saúde dos seus alces nos últimos anos? De posse de alguns dados meteorológicos históricos, você busca determinar se as temperaturas locais mudaram desde a época do seu avô, e se o seu calendário agrícola precisa ser atualizado.
Pré-requisitos
Você deve ter uma familiaridade básica com entradas, saídas e modelos.
Objetivos de aprendizagem
Neste módulo, você vai:
- Definir o aprendizado supervisionado e não supervisionado.
- Explorar como as funções de custo afetam o processo de aprendizado.
- Descubra como otimizar modelos usando o gradiente descendente.
- Experimentar com as taxas de aprendizado e ver como elas podem afetar o treinamento.