走进机器学习 – 葡萄牙语版

课程概况

Discutiremos por que hoje as redes neurais funcionam tão bem para lidar com vários problemas, começando pela história do aprendizado de máquina. Em seguida, falaremos sobre como configurar um problema de aprendizado supervisionado e encontrar uma boa solução com gradiente descendente. Isso envolve a criação de conjuntos de dados que permitem a generalização. Esses métodos serão abordados de maneira didática para auxiliar na realização dos testes.

Objetivos do curso:
Identificar por que o aprendizado profundo é mais usado hoje em dia
Otimizar e avaliar modelos usando funções de perda e métricas de desempenho
Reduzir problemas comuns que surgem no aprendizado de máquina
Criar conjuntos de dados de treinamento, avaliação e testes que podem ser repetidos e escalonáveis

课程大纲

Introdução

Neste curso, você obterá conhecimento básico sobre o aprendizado de máquina para entender a terminologia que usamos em toda a especialização. Você também aprenderá dicas práticas e armadilhas que os profissionais de aprendizado de máquina enfrentam aqui no Google e terminará o curso com o código e o conhecimento necessários para criar seus próprios modelos de aprendizado de máquina.

Aprendizado de máquina na prática

Neste módulo, apresentaremos alguns dos principais tipos de aprendizado de máquina e revisaremos a história dessa tecnologia até a geração mais recente. Com isso, você poderá acelerar seu crescimento como praticante do aprendizado de máquina.

Otimização

Neste módulo, mostraremos a você como otimizar seus modelos de aprendizado de máquina.

Generalização e amostragem

Agora chegou a hora de responder a uma pergunta um tanto estranha: em qual situação é preferível não escolher o modelo de aprendizado de máquina mais preciso? Como já dissemos no módulo anterior sobre otimização, o fato de um modelo apresentar uma métrica de perda igual a zero para seu conjunto de dados de treinamento não significa que ele terá um bom desempenho com novos dados em um caso real.

Resumo