Desvendando o classificador Naive Bayes

Em problemas de classificação queremos encontrar a hipótese “h” para um determinada observação “o”, ou seja, queremos definir/prever uma classe para um dada observação. Uma maneira de se fazer isso é analisando o histórico dos dados e assim calcular a probabilidade para a hipótese “h”. Essa é a ideia básica por trás do teorema de Bayes.

Usando cross-validation para treinar e avaliar uma rede neural

Já falamos sobre resampling em um post anterior (veja aqui). Neste post veremos como aplicar validação cruzada, ou cross-validation, durante o treino de uma rede neural. Usaremos Keras para criar a rede neural e Scikit-Learn para aplicar a validação cruzada, ambas bibliotecas Python.

Seu primeiro modelo de redes neurais: teoria e prática na medida certa

Redes Neurais

O campo de estudo das redes neurais, em inglês também conhecido como Neural Networks ou Multilayer Perceptrons, tem como objetivo investigar como modelos biológicos simples do nosso cérebro podem ser usados para resolver problemas computacionais complexos (por exemplo, prever a ocorrência de um evento). Na prática, este campo tem como objetivo criar algoritmos e estruturas de dados capazes de resolver estes desafios.

Configurando Amazon EC2 para rodar modelos de deep learning com Keras

Neste post vamos utilizar os serviços da Amazon (Amazon Web Services – AWS) para subir uma instância que rode Keras para criar nosso projeto de aprendizado de máquina. Este cenário pode ser útil para processamento de grandes volumes de dados em modelos de deep learning.

Extraindo o máximo dos algoritmos com data transformation

Cada algoritmo de machine learning pode “aprender” melhor de acordo com o formato dos dados que recebe como entrada. Neste post vamos entender como podemos preparar nossos dados para extrair o máximo de “conhecimento” de cada algoritmo, tarefa conhecida como data transformation.