ML com R em 40
•
1 gostou•280 visualizações
Diógenes Justo apresenta sobre machine learning com R. Ele tem experiência em TI, data science e machine learning, tendo se especializado em universidades como MIT e Stanford. A apresentação descreve o processo de machine learning, incluindo a divisão dos dados em conjuntos de treino e teste, e discute desafios e aplicações de machine learning usando R.
Recomendados
Mais conteúdo relacionado
Destaque
Semelhante a ML com R em 40
Semelhante a ML com R em 40 (20)
Mais de tdc-globalcode
Mais de tdc-globalcode (20)
Último
Último (20)
ML com R em 40
- 1. diogenes.justo@gmail.com Machine Learning com R Diógenes Justo TDC 2016 09/jul
- 2. diogenes.justo@gmail.com Apresentação Diogenes Justo • BM&FBOVESPA • Professor • Consultor • Empresário Linkedin.com/in/DiogenesJusto Mestre em Economia Aplicada (UFRGS) MBE Economia (UFRGS). Especialista em Banking (FGV). Especialista em Data Science. Bacharel em Matemática Aplicada e Computacional (UFRGS). Cursos de especialização em Big Data, Machine Learning e Data Mining no MIT, Washington University, University of Illinois e Stanford PMO Manager da BMF&Bovespa - Profissional certificado PMP. 21 anos de experiência na área de TI, tendo atuado em desenvolvimento, infraestrutura, banco de dados e B.I., além de projetos.
- 5. diogenes.justo@gmail.com Machine Learning e Data Science
- 7. diogenes.justo@gmail.com Machine Learning Pipeline HOJE DADOS HISTÓRICOS (aprendizagem) PREVISÃO (O QUE QUEREMOS ESTIMAR) VARIÁVEIS INDEP. E DEPENDENTE (x e y) TREINO ~80% TESTE ~20% MODELO (y=ax+b) APLICA NOS DADOS TESTE 1 2 3 CALIBRAO MODELO 4 APLICA NA VARIÁVEL INDEPENDENTE PARA OBTER y 5
- 8. diogenes.justo@gmail.com Machine Learning: train / test error
- 9. diogenes.justo@gmail.com Machine Learning: train / test set sampling
- 13. diogenes.justo@gmail.com Desafios em R - Gerenciamento de memória - Performance - Clustering e integration - Data Streaming - Curva de aprendizado pode não ser trivial
- 14. diogenes.justo@gmail.com Where? - Análise exploratória de dados - Modeling - Baixo volume de dados ou amostras (scale-up) - Visualização de dados - Produção com grandes volumes - Produção sem suporte - Front-end para clustering
- 15. diogenes.justo@gmail.com Obrigado diogenes.justo@gmail.com 05/08 - Workshop DataScience 08 e 09/11 - Big Data Science Outubro - Desafio Endeavor/FIAP O que vem por aí... 2017/2018 - Big Data Science (o livro)