ML Clássico

13 pages in this section.

Por que o contrato fit/predict/transform do scikit-learn, a divisão treino/teste/validação e o trade-off viés-variância são na verdade uma única ideia - o modelo mental por trás de todas as outras páginas desta seção.

Explainer Python Classical Ml Bias Variance

Noções Básicas de Machine Learning

O fluxo de trabalho de ML e a terminologia principal.

Python Classical Ml Basics Machine

Datasets & Splits

Train/test/validation and cross-validation.

Python Classical Ml Datasets Splits

Engenharia de Features

Codificação, escalonamento e `ColumnTransformer`.

Python Classical Ml Feature Engineering Preprocessing

Pipelines

Compondo pré-processamento e modelos sem vazamento.

Python Classical Ml Pipelines Sklearn

Aprendizado Supervisionado

Algoritmos de regressão e classificação.

Python Classical Ml Supervised Regression

Avaliação de Modelos

Python Classical Ml Evaluation Metrics

Otimização de Hiperparâmetros

Python Classical Ml Hyperparameters Optuna

Aprendizado Não Supervisionado

Python Classical Ml Unsupervised Clustering

Dados Desbalanceados

Python Classical Ml Imbalanced Resampling

Gradient Boosting

Python Classical Ml Xgboost Lightgbm

Boas Práticas de Machine Learning

Evitando vazamentos e construindo modelos reproduzíveis.

Python Classical Ml Best Practices List

Classical ML Highlights Summary

A single-page roundup of every highlight bullet from the 12 pages in the Classical ML section, grouped by source page so you can scan all 49 takeaways without opening each article individually.

Highlights Summary Classical Ml

ML Clássico

Buscar na documentação

ML Clássico