Please enable JavaScript.
Coggle requires JavaScript to display documents.
Machine Learning e Prophet (Prof. Reinaldo de Souza Júnior - SENAI) -…
Machine Learning e Prophet (Prof. Reinaldo de Souza Júnior - SENAI)
Fundamentos de Machine Learning
Definição: Ensinar máquinas a prever resultados com ou sem supervisão
Supervised Learning (Aprendizagem Supervisionada)
Possui resultado esperado (Ex.: e-mail spam ou não spam)
Classification: Atribui rótulos discretos (Ex.: sim/não, masculino/feminino)
Regression / Prediction: Espectro contínuo (Ex.: Quanto custa? Quantos existem?)
Unsupervised Learning (Aprendizagem Não Supervisionada)
Sem resposta certa prévia (Ex.: melhor rota de carro até ao destino)
Fluxo de Utilização (Pipeline)
Data set -> Split (Training set / Test set) -> Learning algorithm -> Model -> Test -> Performance indicator
Algoritmos Clássicos de ML
KNN (K-Nearest Neighbor)
Uso: Classificação e Regressão
Lógica: Mapeia o dataset e calcula medidas de distância até aos vizinhos mais próximos
Exemplos: Estrelas vs Triângulos; Cavalo vs Cão (Peso x Altura)
Valor de K: Nº de pontos próximos analisados (1NN, 2NN, 3NN)
Random Forest (Árvores de Decisão)
Uso: Suporte à decisão (Classificação e Previsões)
Lógica: Cria nós em formato de árvore a partir das features do conjunto de dados
Exemplo (Jogar Ténis): Avalia Aspecto (Sol, Nuvens, Chuva), Temperatura, Humidade e Vento -> Sim ou Não
Gradient Boosting
Uso: Classificador Ensemble / Técnica de Boosting (Regressão e Classificação)
Lógica: Combina preditores fracos (árvores de decisão) em etapas para gerar um modelo forte
Otimização: Função de perda diferenciável arbitrária
Implementação com Prophet
Definição e Objetivo
Previsão em escala (Forecasting at scale) em R e Python
Rápido, automatizado e ajustável manualmente por cientistas de dados
Auxilia no planeamento de capacidade, definição de metas e deteção de anomalias
Procedimentos de Uso (API estilo Sklearn)
Instanciar classe Prophet e chamar métodos .fit() e .predict()
Input: Dataframe com 2 colunas obrigatórias
ds (datestamp): YYYY-MM-DD ou YYYY-MM-DD HH:MM:SS
y: Valor numérico da métrica a prever
Funcionalidades e Caso de Estudo
Saturating Forecasts (Crescimento e mínimo saturado)
Trend Changepoints (Deteção automática e ajuste de mudanças de tendência)
Seasonality, Holiday Effects e Regressors (Sazonalidade múltipla e feriados)
Caso Peyton Manning: Log de visualizações na Wikipédia (playoffs e Superbowl)
Referências e Recomendações
Paper: Forecasting at scale - Sean J. Taylor, Benjamin Letham (2017, PeerJ)
Livro: Inteligência Artificial (6.ª ed.) - George F. Luger (Pearson)
Livro: Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow - Aurélien Géron (O'Reilly)
Cursos: Udemy, Udacity e Data Science Academy