Transferir como PDF, PPTX
Carregado porLudimila Gonçalves
Machine learning com Python: a vida como ela é!
O documento discute a aplicação de machine learning com Python, enfatizando a importância da análise de dados e do entendimento do problema antes da implementação de modelos. Detalha métodos simples como ensemble e boosting, além de apresentar um processo padrão de desenvolvimento em machine learning, incluindo pré-processamento e avaliação de modelos. O autor compartilha experiências práticas e recomendações para iniciantes na área de ciência de dados.
![[DTC21] Raphael Castilho - Começando com Inteligência Artificial e Machine Le...](https://cdn.slidesharecdn.com/ss_thumbnails/iaemachine-210317154040-thumbnail.jpg?width=640&height=640&fit=bounds)
![[Congresso Ads & Performance] Modelos preditivos e machine learning - Aplicaç...](https://cdn.slidesharecdn.com/ss_thumbnails/27-03-techdata-bernardoaflalo-190409123616-thumbnail.jpg?width=640&height=640&fit=bounds)
Machine learning com Python: a vida como ela é!
- 1. Machine Learning comPython: A vida como ela é! Ludimila Gonçalves ludigoncalves.11@gmail.com * Inspirada na apresentação ”Machine Learning com Python: Da Teoria ao Primeiro Deploy em Produção” por Bruno Ábia
- 2. Quem sou eu? ★Humaitá-AM ★ Bacharel em Ciência da Computação (UFAM) ★ Mestre em Informática (UFAM) ★ Doutoranda em Informática (UFAM) ★ Cientista de Dados na Lojas Bemol 2
- 3. Intro ★ Poucos dados ★Dados limpos e balanceados ★ Desempenho estatístico ★ Modelos complexos ★ Equações robustas ★ Artigos científicos ★ Domínios não são considerados 3 ★ Grandes massas de dados ★ Muito pré-processamento e ruído ★ Modelos simples e eficientes ★ Fluxos de dados constantes ★ Big data Academia Empresas
- 4. Intro O mercado ★ Análisede dados hoje é imprescindível para as organizações ★ Melhoria de regras de negócio, tomada de decisões, economia, etc. O profissional de ciência dos dados ★ Sempre estar atento às demandas do mercado e aos objetivos do negócio ★ O momento de por em prática todo o conhecimento adquirido na academia 4
- 5.
- 6. Métodos simples resolvembem nossa vida! ★ Ensemble + Boosting ○ RandomForest ○ ExtraTrees ○ AdaBoost ○ Gradient Boosting ○ Extreme Gradient Boosting ○ Light Gradient Boosting 6
- 7. Ensemble + Boosting Fig.www.analyticsvidhya.com 7
- 8. Processo de desenvolvimentopadrão em ML 8 Base de dados Pré-processamento Extração de características Modelo Previsão/Avaliação do modelo
- 9. Processo de desenvolvimentopadrão em ML 9 Base de dados Pré-processamento Extração de características Modelo Padrão Previsão/Avaliaçã o do modelo Modelo com tuning Previsão/Avaliação do modelo c/ tuning Estudo de características Modelo Padrão p/ novo espaço de características Modelo com tuning p/ novo espaço de características Previsão/Avaliação do modelo FIM
- 10. Antes de tudo…analisar bem o problema! ★ Entender o escopo do problema e o objetivo é imprescindível para a estrutura da experimentação: ○ Ex: previsão de venda -> respeitar a ordem temporal dos dados -> simular a produção ★ Como vai funcionar em produção? ★ O dia da semana faz diferença no meu modelo? ★ É um problema de regressão ou classificação? ★ Quais métricas eu devo usar para avaliar meu modelo? 10
- 11. É hora depraticar! ★ Problema: prever vendas diárias ★ Desafios: ○ A loja não funciona aos domingos (E AGORA? /o) ○ O(s) modelo(s) (por onde começo?) ★ Abordagem: ○ Modelos de regressão ○ Experimentação com walk forward ○ Mean Absolute Error - MAE + Mean Absolute Percentage Error MAPE 11
- 12. Metodologia Experimental 1212 Base de dados Pré-processamentoExtração de características Baseline MAE e MAPE Modelo sofisticado MAE e MAPEPrevisão/Avaliação do modelo c/ tuningMAE e MAPE FIM
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20. Construindo um baseline... ★Resultados para o primeiro teste 20
- 21. 21 Construindo um baseline... ★Resultados para o segundo teste
- 22.
- 23.
- 24. Construindo uma abordagemmais sofisticada... 24
- 25. Construindo uma abordagemmais sofisticada... ★ Resultados para o primeiro teste 25
- 26. Construindo uma abordagemmais sofisticada... ★ Importância das características 26
- 27. Construindo uma abordagemmais sofisticada... ★ Resultados para o segundo teste 27
- 28. Construindo uma abordagemmais sofisticada... ★ Resultados para o segundo teste 28 Com o walk-forward nós diminuímos o ruído nos dados!!
- 29. Tuning dos paramêtrosdo modelo! 29
- 30. Nosso resultado tunadão ★Resultados para o segundo teste com tuning de parâmetros 30
- 31. O que aindapoderia ser feito?? ★ Análise de características para diminuir o espaço (caso tivéssemos mais características) ★ Combinação de modelos ★ Testar com mais janelas de dados 31
- 32. Agora é sóarmazenar o modelo para a produção 32
- 33. Conclusão ★ Previsão devendas - meu primeiro projeto da vida real! ★ Não devemos somente nos preocupar com os algoritmos de machine learning, a análise do problema é essencial ;) ★ Machine learning no dia-a-dia não precisa de um super melhor modelo do mundo ★ Não precisa ser um super guru de machine learning para fazer coisas como vimos hoje :)) 33
- 34. DICAS DA ALEGRIA!! ★Tutoriais são vida gente! ★ Você vai se tornar melhor amigo da documentação do scikit-learn e do pandas, não se preocupe em não saber funções decoradas, ok? ★ Meus guias espirituais: ○ https://towardsdatascience.com/ ○ https://machinelearningmastery.com/ ○ https://www.analyticsvidhya.com/ ○ http://kaggle.com/ 34
- 35.