Show! Deixo de sugestão 1 live de 1 a 2 horas criando um projeto completo, incluindo: - engenharia de características(feature engineering), - pré-processamento de características (acredito que pra esse df one hot encoding seria bem útil ao modelo) - definição de performance mínima baseline - seleção e avaliação de modelos (acredito que modelos ensemble; florestas aleatórias[RandomForestClassifier], performariam consideravelmente melhor]) - validação cruzada, - ajuste de parâmetros Enfim, só esse vídeo já foi muito bom e completo, mas deixo de ideia pra fazer uma live mais direcionada a parte de ML engineering
Sempre agradeço por ter cruzado o meu caminho, vejo um futuro próspero na minha vida com análise de dados !!!! Que sua dedicação seja sempre recompensada e digo que está fazendo diferença na vida das pessoas !!! Parabéns Professor!
Excelente. As vezes sou cobrado por pesquisadores sobre hands on com python e esse conteúdo é exatamente o que eu gostaria de sugerir a eles(não é sobre python, é sobre businesss). Simples o suficiente para que faça sentido até para iniciantes e profundo o suficiente para criar reflexões a respeito das relações de causa-e-efeito com o objetivo. Parabéns e muito obrigado por compartilhar, é com entusiasmo que recomendo seu conteúdo.
Que aula top professor. Nestas aulas é que aprendemos uma vez que vemos o contexto prático da ciência de dados ser aplicado. Muito feliz de ser seu aluno. Grande abraço Rui Carvalho
Que aula incrível.Dá para usar para muita coisa. Vou usar para calcular a propensidade de um usuário vindo de diferentes mídias sociais se cadastrar aqui no side da empresa. Obrigado Jerry
Adorei a aula, estava na espectativa que o trabalho no Jupyter seria complexo e muito mais avançado, mas foi muito fácil de entender e até para replicar pessoalmente. Sei que o que pesa aí e a continuidade do problema, como eu vou mensurar os impactos futuros, a eficácia, continuar melhorando o modelo e muito mais fora do script 📖
Achei muito útil o vídeo e ter a chance de poder ver a problematização e a abordagem de solução do problema pelos olhos de um profissional muito bem qualificado. Parabéns pela aula! Uma dúvida que tive assistindo foi: caso as correlações sejam fracas com relação ao alvo, como proceder? Manter as features e ir assim mesmo, ou tentar utilizar feature engineering (o que talvez poderia ajudar), ou até mesmo tentar encontrar mais variáveis para dar força a essa correlação? Enfim, qual seria uma outra possível abordagem para isso?
Muito interessante. Mas acredito que além dos pontos citados, exista também um esforço para qualificar os usuários em classes distintas antes de treinar os modelos, por exemplo, treinar os modelos com base nos comportamentos de cada gênero.
Quando vc fala em variáveis categóricas vc está se referindo a variáveis do tipo string (texto). A maioria dos algoritmos de ML não trabalham com valores textuais, mas sim numéricos. Então quando se tem variáveis categóricas elas devem ser convertidas para variáveis binárias ( 0 ou 1), que já é o caso da base de dados usada no vídeo.
@@matheusbelmont2044nem todo dado categórico é do tipo string, muitos são do tipo inteiro. E nem todos devem ser representados por 0 e 1, como na técnica de one-hot encoder, existe outras técnicas para lidar com dados categóricos. Oq determina se um dado é categórico ou não, não é o tipo dele, mas a natureza daquele dado, ou seja, oq aquele dado representa.
Show! Deixo de sugestão 1 live de 1 a 2 horas criando um projeto completo, incluindo:
- engenharia de características(feature engineering),
- pré-processamento de características (acredito que pra esse df one hot encoding seria bem útil ao modelo)
- definição de performance mínima baseline
- seleção e avaliação de modelos (acredito que modelos ensemble; florestas aleatórias[RandomForestClassifier], performariam consideravelmente melhor])
- validação cruzada,
- ajuste de parâmetros
Enfim, só esse vídeo já foi muito bom e completo, mas deixo de ideia pra fazer uma live mais direcionada a parte de ML engineering
Sempre agradeço por ter cruzado o meu caminho, vejo um futuro próspero na minha vida com análise de dados !!!! Que sua dedicação seja sempre recompensada e digo que está fazendo diferença na vida das pessoas !!! Parabéns Professor!
Excelente aula professor!
Obrigado, Jerry, por compartilhar seu conhecimento conosco! Esse formato de vídeo é muito bom, poderia fazer mais vezes...
Mais um vídeo no padrão de qualidade JS. Top!!!
Obrigado
Conteúdo valioso, parabéns pela didática e obrigado por compartilhar o seu conhecimento!
Estoua adorando a aula, Jerry!
Conteúdo riquíssimo 👏🏻👏🏻 sua didática é incrível professor. Sou muito sortuda de ser sua aluna
Uau, incrível. Professor. Valeu
Esse caso das gravidas foi relatado em vários livros que falam sobre hábitos vencedores. É uma história fantástica.
Excelente. As vezes sou cobrado por pesquisadores sobre hands on com python e esse conteúdo é exatamente o que eu gostaria de sugerir a eles(não é sobre python, é sobre businesss). Simples o suficiente para que faça sentido até para iniciantes e profundo o suficiente para criar reflexões a respeito das relações de causa-e-efeito com o objetivo. Parabéns e muito obrigado por compartilhar, é com entusiasmo que recomendo seu conteúdo.
Que aula top professor. Nestas aulas é que aprendemos uma vez que vemos o contexto prático da ciência de dados ser aplicado. Muito feliz de ser seu aluno. Grande abraço
Rui Carvalho
Que aula incrível.Dá para usar para muita coisa. Vou usar para calcular a propensidade de um usuário vindo de diferentes mídias sociais se cadastrar aqui no side da empresa. Obrigado Jerry
Que aula sensacional!
Obrigado por compartilhar todo esse conhecimento com a gente.
Sensacional faça mais vídeos assim
que baita aula, esse tipo de conteúdo que mostra na prática o processo a ser feito é maravilhoso
Muito bom, Jeff! Esse tipo de conteúdo contribui bastante para nós, pois assim sabemos como os projetos são realizados na prática👏🏻👏🏻👏🏻
Adorei a aula, estava na espectativa que o trabalho no Jupyter seria complexo e muito mais avançado, mas foi muito fácil de entender e até para replicar pessoalmente. Sei que o que pesa aí e a continuidade do problema, como eu vou mensurar os impactos futuros, a eficácia, continuar melhorando o modelo e muito mais fora do script 📖
Que aula. Dá pra usar para muita coisa
Obrigado pela excelente aula.
Esse material utilizado e o código feito estão disponíveis em algum lugar?
Achei muito útil o vídeo e ter a chance de poder ver a problematização e a abordagem de solução do problema pelos olhos de um profissional muito bem qualificado. Parabéns pela aula!
Uma dúvida que tive assistindo foi: caso as correlações sejam fracas com relação ao alvo, como proceder? Manter as features e ir assim mesmo, ou tentar utilizar feature engineering (o que talvez poderia ajudar), ou até mesmo tentar encontrar mais variáveis para dar força a essa correlação? Enfim, qual seria uma outra possível abordagem para isso?
Mano eu pagaria por um modulo de ecommerce com dados de Google Analytics.
Maravilha
Legal. Te acompanho por falar muito de conhecimentos fora das ferramentas, seria legal ver uma aula com análise mais aprofundada
Professor se o senhor fosse para fazer uma graduação qual você escolheria ?
O arquivo CSV está disponível?
Muito interessante. Mas acredito que além dos pontos citados, exista também um esforço para qualificar os usuários em classes distintas antes de treinar os modelos, por exemplo, treinar os modelos com base nos comportamentos de cada gênero.
Prezados, uma duvida
As variáveis não deveriam ser transformadas para tipo "Categóricas" antes de serem utilizadas nesse contexto?
Quando vc fala em variáveis categóricas vc está se referindo a variáveis do tipo string (texto). A maioria dos algoritmos de ML não trabalham com valores textuais, mas sim numéricos. Então quando se tem variáveis categóricas elas devem ser convertidas para variáveis binárias ( 0 ou 1), que já é o caso da base de dados usada no vídeo.
Nem todo dado categórico é representado por um tipo string. Em muitos casos, é representado por um tipo inteiro.@@matheusbelmont2044
@@matheusbelmont2044nem todo dado categórico é do tipo string, muitos são do tipo inteiro. E nem todos devem ser representados por 0 e 1, como na técnica de one-hot encoder, existe outras técnicas para lidar com dados categóricos.
Oq determina se um dado é categórico ou não, não é o tipo dele, mas a natureza daquele dado, ou seja, oq aquele dado representa.