Aulas

• 01 - 1. Relembrando o Perceptron e importando o dataset iris cloud_download
• 02 - 2. Criando um modelo utilizando o perceptron cloud_download
• 03 - 3. Utilizando o coef_ e o intercept_ para traçar a reta gerada pelo perceptron cloud_download
• 04 - 4. Explicando o Perceptron para mais de 2 classes e para dados que não são linearmente separáveis cloud_download
• 05 - 5. Relembrando a árvore de decisão e aprofundando teoricamente cloud_download
• 06 - 6. Importando novamente o dataset iris e criando um modelo utilizando a árvore de classificação cloud_download
• 07 - 7. Visualizando graficamente como funciona uma árvore de decisão cloud_download
• 08 - 8. Fazendo a previsão utilizando o predict e as regiões gráficas que criamos cloud_download
• 09 - 9. Utilizando todo o dataset iris para criar nossa árvore de decisão cloud_download
• 10 - 10. Explicando o índice gini e a entropia utilizados no criterion cloud_download
• 11 - 11. (Opcional) Visualizando graficamente o índice gini e a entropia cloud_download
• 12 - 12. O tamanho da árvoreutilizando o max_depth para melhorar a acurácia do modelo cloud_download
• 13 - 13. Relembrando a regressão linear cloud_download
• 14 - 14. Visualizando graficamente a vantagem da regressão linear ao criar a melhor reta (menor erro quadrático) cloud_download
• 15 - 15. Utilizando a regressão linear de forma prática no dataset de casas da Califórnia cloud_download
• 16 - 16. Apresentando os conceitos do K-Nearest Neighbors (KNN) cloud_download
• 17 - 17. Utilizando o KNN e entendendo o cálculo da distância entre os pontos (euclidiana e manhattan) cloud_download
• 18 - 18. Calculando manualmente as distâncias euclidiana e manhattan do ponto central cloud_download
• 19 - 19. Utilizando o kneighbors para visualizar os pontos mais próximos e mudando a ordem dos dados para avaliar a previsão cloud_download
• 20 - 20. Utilizando o KNN com um dataset real (dataset iris) e avaliando a previsão desse algoritmo cloud_download
• 21 - 21. Entendendo visualmente a previsão feita para o dataset iris cloud_download
• 22 - 22. Apresentando a Regressão Logística e importando o dataset iris cloud_download
• 23 - 23. Utilizando a regressão logística e visualizando graficamente o gráfico gerado cloud_download
• 24 - 24. Entendendo o predict_proba (prevendo a probabilidade de cada uma das classes) cloud_download
• 25 - 25. Utilizando a regressão logística para um problema com 3 classes cloud_download
• 26 - 26. Utilizando todo o dataset iris para criar a regressão logística cloud_download
• 27 - 27. Apresentando o Support Vector Machine (SVM) cloud_download
• 28 - 28. (Opcional) Importando novamente o dataset iris (passo a passo) cloud_download
• 29 - 29. Utilizando o SVM (SCV) e visualizando graficamente o resultado em dados linearmente separáveis cloud_download
• 30 - 30. Explicando o hiperparâmetro C e as margens rígidas e flexíveis do SVM cloud_download
• 31 - 31. Utilizando o SVM para dados que não são linearmente separáveis e analisando o dataset iris completo cloud_download