Introdução
Nem todos os modelos são equações matemáticas simples que podem ser plotadas como uma linha. Em vez disso, alguns modelos complexos são mais fáceis de serem considerados como fluxogramas ou estruturas de programação tradicionais. Esses modelos costumam ter níveis extras de personalização disponíveis, o que pode torná-los mais sofisticados, embora também mais complexos de serem usados. Ao longo desses exercícios, vamos explorar isso manipulando como os modelos funcionam e são treinados. Embora nos concentremos em um tipo de modelo, os princípios gerais ensinados aqui também se aplicam a muitos outros tipos de modelos.
Cenário: como prever resultados esportivos usando o aprendizado de máquina
Ao longo deste módulo, o cenário de exemplo a seguir será usado para explicar os conceitos relacionados à arquitetura do modelo e aos hiperparâmetros. Ele foi projetado para parecer complexo no início, mas à medida que você segue os exercícios, vê que ele pode ser resolvido com um pouco de prensamento crítico e experimentação.
O lema dos Jogos Olímpicos consiste em três palavras latinas: Citius – Altius – Fortius. Essas palavras significam mais rápido, mais alto e mais forte. Desde que esse lema foi estabelecido, a variedade de jogos aumentou substancialmente para incluir esportes de arremesso, náuticos e em equipe. Você saberá sobre a função que as características físicas básicas ainda desempenham na previsão dos atletas que ganharam medalhas em um dos eventos de esportes mais renomados do planeta. Para esse fim, vamos explorar a ginástica rítmica: uma adição moderna aos jogos que combina dança, ginástica e calistenia. Pode-se esperar que as características básicas de idade, altura e peso desempenhem apenas uma função limitada, considerando a necessidade de agilidade, flexibilidade, destreza e coordenação. Para exemplificar o quanto esses fatores básicos são realmente importantes, serão usados alguns modelos de machine learning mais avançados.
Pré-requisitos
- Familiaridade com modelos de machine learning
Objetivos de aprendizagem
Neste módulo, você vai:
- Descobrir novos tipos de modelo: árvores de decisão e florestas aleatórias.
- Saber como a arquitetura do modelo pode afetar o desempenho.
- Pratique o uso de hiperparâmetros para aprimorar a eficácia do treinamento.