Formações Data Science Machine Learning com Python: Regressão

Formação Machine Learning com Python: Regressão

Aprenda a resolver problemas de regressão, explore os fundamentos da regressão, bem como técnicas e bibliotecas avançadas

* Esta formação faz parte dos nossos cursos de Data Science

Quero Estudar na Alura

62h

Para conclusão

Cursos

Artigos

Conheça a formação Machine Learning com Python: Regressão

Como seres humanos, somos capazes de detectar diversos tipos de padrões. Contudo, com o avanço na quantidade e qualidade de dados que capturamos, torna-se cada vez mais difícil elaborar em nossa mente um modelo que descreva o que acontece ou acontecerá em determinadas situações.

O que é Regressão em Machine Learning?

Regressão é uma técnica de Machine Learning que se concentra em prever valores contínuos. Por exemplo, prever o preço de uma casa, a demanda de um produto, ou a pontuação de um aluno com base em variáveis históricas. A regressão analisa a relação entre variáveis independentes e uma variável dependente, permitindo criar modelos preditivos precisos.

Por que utilizar Regressão?

A regressão é útil porque permite transformar dados históricos em previsões precisas, facilitando a tomada de decisões em diversas áreas. Ao utilizar técnicas de regressão, é possível otimizar processos, melhorar a precisão de previsões e identificar tendências ocultas nos dados.

Imagine, por exemplo, uma empresa que consegue prever a demanda por seus produtos em diferentes períodos do ano. Com essas previsões, a empresa pode ajustar seu estoque, melhorar a eficiência logística e aumentar a satisfação do cliente.

Na prática, como aplicar a Regressão?

Em vez de confiar em heurísticas simples, podemos treinar algoritmos de regressão, testar, validar contra modelos de base e colocá-los em produção, medindo continuamente o desempenho dos nossos modelos. Nos cursos desta formação, exploraremos diversas técnicas de regressão, desde as mais básicas até as avançadas, utilizando bibliotecas poderosas do Python.

Por que estudar esta formação?

Guia de aprendizado
Conteúdos pensados para facilitar seu estudo
Do básico ao avançado
Formação completa para o mercado
Você dentro do mercado
Do zero ao sonhado emprego em sua área de interesse

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Com quem você vai aprender?

Ana Duarte
Sou bacharela em Estatística e atualmente curso Ciência da Computação. Já atuei como cientista de dados no ramo educacional e financeiro e hoje sou instrutora na Escola de Dados da Alura e voluntária na equipe de projetos do grupo Data Girls. Sou apaixonada por transformar dados em informação inteligente usando a ciência de dados em diversos tipos de aplicação. Fora isso, sempre estou acompanhando alguma série e procurando novas rotas para andar de bike.
Ana Duarte
Sou bacharela em Estatística e atualmente curso Ciência da Computação. Já atuei como cientista de dados no ramo educacional e financeiro e hoje sou instrutora na Escola de Dados da Alura e voluntária na equipe de projetos do grupo Data Girls. Sou apaixonada por transformar dados em informação inteligente usando a ciência de dados em diversos tipos de aplicação. Fora isso, sempre estou acompanhando alguma série e procurando novas rotas para andar de bike.
Afonso Augusto Rios
Formado em Engenharia Elétrica, mas sempre com um pézinho na área da educação básica e tecnológica. Apaixonado por tecnologia, futebol e estudo de línguas, tenta trazer um pouco de ambos os mundos para seus estudos. Atuou como professor de Matemática em escolas públicas de Petrolina, através de um ONG na área de educação, e em projetos educacionais em diversos estados. Com conhecimento em Python e Data Visualization, vem se desenvolvendo na linguagem R, SQL e Power BI.
Afonso Augusto Rios
Formado em Engenharia Elétrica, mas sempre com um pézinho na área da educação básica e tecnológica. Apaixonado por tecnologia, futebol e estudo de línguas, tenta trazer um pouco de ambos os mundos para seus estudos. Atuou como professor de Matemática em escolas públicas de Petrolina, através de um ONG na área de educação, e em projetos educacionais em diversos estados. Com conhecimento em Python e Data Visualization, vem se desenvolvendo na linguagem R, SQL e Power BI.
Mirla Costa
Instrutora em Data Science, graduanda em Engenharia Elétrica pela UFPI com pesquisa focada em Aprendizado de Máquina e Inteligência Computacional. Amante de programação, tecnologia, cachorros, animações e jogar RPG de mesa.
Mirla Costa
Instrutora em Data Science, graduanda em Engenharia Elétrica pela UFPI com pesquisa focada em Aprendizado de Máquina e Inteligência Computacional. Amante de programação, tecnologia, cachorros, animações e jogar RPG de mesa.
Valquíria Alencar
Doutora em Biotecnologia e realizou pós-doutorado na Universidade Federal do ABC. Atualmente, atua como instrutora na escola de Data Science, onde desenvolve projetos e cursos abrangendo o pré-processamento e análise exploratória de dados, visualização de dados em Python, aplicação de inteligências artificiais generativas, além da implementação e otimização de modelos de aprendizado de máquina. Também é uma das autoras do livro Séries Temporais com Prophet, publicado pela Editora Casa do Código.
Valquíria Alencar
Doutora em Biotecnologia e realizou pós-doutorado na Universidade Federal do ABC. Atualmente, atua como instrutora na escola de Data Science, onde desenvolve projetos e cursos abrangendo o pré-processamento e análise exploratória de dados, visualização de dados em Python, aplicação de inteligências artificiais generativas, além da implementação e otimização de modelos de aprendizado de máquina. Também é uma das autoras do livro Séries Temporais com Prophet, publicado pela Editora Casa do Código.
João Vitor de Miranda
Bacharel em Matemática e pós graduado em Data Science e Analytics. Com conhecimento em Matemática, Estatística, Excel, Python, R e SQL/NoSQL.
João Vitor de Miranda
Bacharel em Matemática e pós graduado em Data Science e Analytics. Com conhecimento em Matemática, Estatística, Excel, Python, R e SQL/NoSQL.

Passo a passo

1 Entendendo a regressão linear
Embarque em uma jornada de Regressão com Python, dominando como treinar modelos de regressão linear a partir de dados e realizar previsões precisas. Neste primeiro passo, você construirá uma base sólida, aprendendo a extrair informações valiosas de seus dados e transformá-las em modelos preditivos eficazes.
Você irá explorar conceitos sobre as métricas de regressão e irá descobrir como cada métrica revela diferentes aspectos do desempenho do seu modelo, permitindo que você escolha a mais adequada para cada problema específico. Com este conhecimento, você estará apto a avaliar seus modelos de forma crítica e tomar decisões informadas para otimizar seus resultados.
Prepare-se para colocar suas habilidades em prática e enfrentar desafios reais de regressão. Utilizando bibliotecas poderosas como Statsmodels e Scikit-learn, você aplicará seus conhecimentos em diversos cenários, consolidando seu aprendizado e desenvolvendo sua expertise em Regressão com Python.
- Artigo Desvendando a Regressão Linear | Alura
- Curso Data Science: testando relações com Regressão Linear
  08h
- Artigo Correlação: compreendendo conceitos e sua aplicação | Alura
- Curso Data Science: transformando variáveis para uma Regressão Linear
  08h
- Artigo Métricas de avaliação para modelos de regressão | Alura
2 Além da linearidade: Árvores de Regressão e Boosting
Após dominar os fundamentos da regressão linear, prepare-se para desbravar territórios mais complexos, onde uma simples reta não é suficiente. Explore o fascinante universo das árvores de regressão e descubra como esses modelos poderosos podem capturar relações não lineares em seus dados, abrindo um leque de possibilidades para suas análises.
Além disso, mergulhe nas técnicas de boosting e aprenda como combinar múltiplos modelos mais simples para alcançar resultados ainda mais precisos e robustos. Com o boosting, você poderá superar as limitações dos modelos individuais e extrair o máximo de informações de seus dados, elevando suas habilidades em regressão a um novo patamar.
- Artigo Árvores de decisão: modelo de Machine Learning para Classificação e Regressão | Alura
- Curso Regressão: construindo Árvores de Regressão
  08h
- Artigo Explorando a técnica de boosting para melhorar modelos de regressão | Alura
- Curso Regressão: aprimorando os resultados com XGBoost
  08h
3 Desvendando as Séries Temporais
Nesta etapa final, mergulhe no universo das séries temporais, onde a variável tempo desempenha um papel crucial. Desvende as particularidades desses dados e aprenda a extrair informações valiosas de suas flutuações e padrões ao longo do tempo.
Domine os métodos clássicos de análise e previsão de séries temporais, como o ARIMA, e explore suas capacidades para modelar tendências, sazonalidades e outros componentes importantes. Além disso, aventure-se em bibliotecas mais recentes, como o Prophet, que simplificam a criação de modelos robustos e precisos, mesmo para usuários com menos experiência.
- Artigo Um pouco sobre séries temporais e suas aplicações | Alura
- Curso Séries temporais: detectando anomalias e realizando previsões
  08h
- Artigo Modelos matemáticos utilizados em séries temporais | Alura
- Curso Regressão: realizando previsão de séries temporais com statsmodels
  08h
- Curso Regressão: prevendo séries temporais com Prophet
  10h