Aulas

• 01 - 1. Mostrando a base desse módulo e apresentando o Kaggle e a sua importância para nossos projetos de ciência de dados cloud_download
• 02 - 2. Entendendo a base de transações e analisando a relação entre fraude e não fraude cloud_download
• 03 - 3. Criando um modelo de classificação de fraude usando a base desbalanceada e analisando a acurácia, precisão e recall desse modelo cloud_download
• 04 - 4. Apresentando o imbalanced-learn e utilizando o undersampling e o oversampling para os nossos dados de crédito cloud_download
• 05 - 5. (Opcional) Importando e visualizando a base de transações cloud_download
• 06 - 6. Revisando o undersampling e o oversampling do imbalanced-learn e visualizando de forma gráfica as novas bases geradas cloud_download
• 07 - 7. Explicando o RandomUnderSampler do imblearn cloud_download
• 08 - 8. Apresentando de forma visual o funcionamento do RandomUnderSampling cloud_download
• 09 - 9. Utilizando o ClusterCentroids e o NearMiss para realizar o undersampling cloud_download
• 10 - 10. Explicando o RandomOverSampler do imblearn cloud_download
• 11 - 11. Usando o shrinkage do RandomOverSampler e visualizando graficamente os novos dados cloud_download
• 12 - 12. Utilizando SMOTE e ADASYM para realizar o oversampling cloud_download
• 13 - 13. Realizando o undersampling com o RandomUnderSampler na base de transações e analisando a acurácia e o recall cloud_download
• 14 - 14. Fazendo o oversampling com o RandomOverSampler para essa mesma base e comparando os resultados cloud_download
• 15 - 15. Utilizando o ClusterCentroids e o NearMiss para o undersampling para o modelo de classificação de fraude cloud_download
• 16 - 16. Utilizando SMOTE e ADASYM para o oversampling e testando combinar os métodos para o modelo de classificação de fraude cloud_download
• 17 - 17. Revisando as métricas de avaliação para modelos de classificação cloud_download
• 18 - 18. Explicando a curva ROC cloud_download
• 19 - 19. Traçando a curva ROC utilizando a árvore de decisão para um classificador perfeito cloud_download
• 20 - 20. Comparando a curva ROC da árvore de decisão com a da regressão logísitca cloud_download
• 21 - 21. Explicando a curva de precisão x recall cloud_download
• 22 - 22. (Opcional) Visualizando graficamente como as curvas ROC e precisão x recall são geradas cloud_download
• 23 - 23. Criando diferentes modelos para classificar nossos pontos (Regressão Logística, KNN, SVM, Random Forest) cloud_download
• 24 - 24. Usando a área abaixo da curva de precisão x recall e comparando os diferentes modelos cloud_download
• 25 - 25. Melhorando a escala dos dados e selecionando os melhores modelos para classificar os dados cloud_download
• 26 - 26. Selecionando os melhores hiperparâmetros para o modelo de Regressão Logística cloud_download
• 27 - 27. (Opcional) Criando manualmente um código para testar diferentes hiperparâmetros no modelo cloud_download
• 28 - 28. Usando o GridSearchCV para selecionar os melhores hiperparâmetros para a Regressão Logística cloud_download
• 29 - 29. Usando o GridSearchCV para o Support Vector Classifier (SVC SVM) cloud_download
• 30 - 30. Usando o GridSearchCV para o Random Forest cloud_download
• 31 - 31. (Opcional) Usando o GridSearchCV para o KNN cloud_download
• 32 - 32. (Opcional) Revisando tudo que fizemos até agora cloud_download
• 33 - 33. Testando novas melhorias no modeloAdicionando novos parâmetros no GridSearchCV da Regressão Logística cloud_download
• 34 - 34. Testando novas melhorias no modeloTestando outras formas de realizar o undersampling cloud_download
• 35 - 35. Testando novas melhorias no modeloMudando o scoring do GridSearchCV e discutindo sobre o oversampling cloud_download