Machine Learning Specialization (Andrew Ng)
Essa playlist é o meu caderno de anotações público enquanto estudo a Machine Learning Specialization, do Andrew Ng (DeepLearning.AI / Stanford), provavelmente o curso mais recomendado pra quem tá começando em ML.
A ideia aqui não é só "resolver o notebook e seguir". Cada lab do curso vira um post onde eu reconto o que entendi, com metáfora, exemplo do dia a dia, e claro, o nome técnico certo, porque isso você vai precisar quando for procurar mais coisa sobre o assunto depois.
Começamos pelo começo: representar o modelo mais simples que existe, a regressão linear com uma variável.
Playlists · 8 posts
- Lab Opcional: Representação do Modelo
O modelo mais simples de Machine Learning que existe, f(x) = wx + b, esmiuçado: por que reta, o que w e b significam de verdade, e por que 'achar os parâmetros na mão' não escala.
- Lab Opcional: a Função de Custo
Como colocar um número no quanto um modelo erra: J(w,b), por que ao quadrado, por que dividir por 2m, e por que a superfície de custo é sempre uma tigela.
- Lab Opcional: Gradiente Descendente
O algoritmo que desce sozinho até o fundo da tigela de custo: a matemática por trás do gradiente descendente, o que acontece quando a taxa de aprendizado é grande demais, e por que ele para sozinho perto do mínimo.
- NumPy e Vetorização
Por que todo código sério de ML usa NumPy em vez de lista Python: vetores, matrizes, produto escalar, e a diferença real (não a lenda) entre laço e conta vetorizada.
- Só pra complementar: Funções de Perda (MSE, MAE, Huber)
Por que a gente elevou o erro ao quadrado lá no post 2, e o que acontece se a gente escolher diferente: MAE, Huber, e o impacto real que um único outlier tem em cada escolha.
- Normalização de Features e Taxa de Aprendizado
Por que o mesmo gradiente descendente que funcionou liso até aqui quebra assim que uma feature tem escala bem diferente das outras, e como um truque de estatística básica resolve isso de vez.
- Engenharia de Features e Regressão Polinomial
Como fazer a mesma regressão linear de sempre ajustar curvas, criando features novas em vez de trocar de algoritmo, e por que isso me obrigou a encarar de vez o overfitting.
- Regressão Linear com Scikit-Learn
Depois de construir gradiente descendente, normalização e engenharia de features na mão, finalmente uso o scikit-learn, e descubro que o modelo 'padrão' do curso esconde duas surpresas que ninguém avisa.