Name: Curso Regressão: aprimorando os resultados com XGBoost
Rating: 4.7 (309 reviews)

aprimorando os resultados com XGBoost

Quero estudar na alura

Para conclusão

474

Pessoas nesse curso

9.4

Avaliação média

Certificado

De participação

O que você aprenderá_

Aprenda a usar a biblioteca XGBoost para solucionar problemas de regressão
Avalie o desempenho de modelos de regressão
Aplique a técnica de validação cruzada com XGBoost
Explore o efeito do número de rodadas de boosting em modelos XGBoost
Ajuste hiperparâmetros para melhorar a performance dos seus modelos
Compreenda a relevância da taxa de aprendizagem e como ela influencia os resultados
Saiba como salvar e utilizar modelos com novos dados

Público alvo_

Pessoas que desejam aprimorar suas habilidades em Machine Learning e expandir seu conhecimento em Regressão; pessoas que trabalham no desenvolvimento de modelos de Machine Learning e desejam explorar técnicas avançadas.

Valquíria Alencar

Sou Especialista em Dados e IA no Insper, onde desenvolvo soluções que transformam dados em inteligência para apoiar decisões estratégicas e acelerar a inovação. Minha trajetória combina pesquisa científica, educação e tecnologia: sou PhD em Biotecnologia, com pós-doutorado na UFABC, e atuei como instrutora na Alura, formando milhares de profissionais em Ciência de Dados e Inteligência Artificial.

Curso atualizado em 09/09/2024

Já estuda na Alura?

Comece o curso agora

Ementa

Obtendo os dados
- Importando os dados
- Processando os dados
Utilizando o XGBoost
- Separando os dados em treino e teste
- Realizando previsões com a API do Scikit-Learn
- Obtendo métricas de desempenho
- Realizando previsões com a API nativa do XGBoost
- Entendendo o que é boosting
Realizando a validação do modelo
- Utilizando conjuntos de validação durante o treinamento
- Aplicando a validação cruzada
Ajustando hiperparâmetros do XGBoost
- Entendendo o impacto da taxa de aprendizagem
- Explorando diferentes taxas de aprendizagem
Finalizando o modelo
- Avaliando o desempenho do modelo final
- Comparando o desempenho em dados de treino e teste
- Utilizando o modelo com dados novos