Introdução a Machine Learning

Nina S. T. Hirata
Prof. Associado
Depto. de Ciência da Computação
Instituto de Matemática e Estatística
Universidade de São Paulo

www.ime.usp.br/~nina

nina at ime dot usp dot br

---

Conteúdo

1. Introdução (html)

   • classificação supervisionada x não-supervisionada
   • exemplos
   • regressão x classificação
   • classificador de Bayes
   • função de custo, minimização de função de custo
     
     Execute o notebook intro.ipynb
     
     

2. Conceitos, fundamentos, prática

   1. Familiarizar-se com Python (html)
      Prática: notebook practice_basics.ipynb
      
      

   2. Regressão linear com gradiente descendente (html)
      Prática: notebook practice_regression.ipynb
      
      

   3. Classificação binária (html)
      Notebook classification.ipynb
      Prática: notebook practice_classification1.ipynb
      Prática: notebook practice_classification2.ipynb
      
      

   4. Exemplos usando scikit-learn (html)
      Prática: notebook practice_scikitlearn.ipynb
      
      

   5. Treinamento, validação, teste, validação cruzada ... (html)
      Prática: notebook mais_scikitlearn.ipynb
      

Arquivos

Lista de html na pasta ML/html

!ls ../html

classification.html    practice_classification1.html
intro.html	       practice_classification2.html
main.html	       practice_regression.html
mais_scikitlearn.html  practice_scikitlearn.html
practice_basics.html

Lista de Python notebooks na pasta ML/notebooks

!ls

classification.ipynb	practice_basics.ipynb
funcoes.py		practice_classification1.ipynb
intro.ipynb		practice_classification2.ipynb
main.ipynb		practice_regression.ipynb
mais_scikitlearn.ipynb	practice_scikitlearn.ipynb

Lista de arquivos de dados na pasta ML/data

!ls ../data

data1.txt