Machine Learning para Todos – Curso Completo
O vídeo de 3h54 do freeCodeCamp.org vira seu companheiro de estudos. Entenda o aprendizado de máquina (Machine Learning - ML) por meio de dados, modelos, treinamento, avaliação e limites, usando anotações, testes de recordação e cartões.
Anotações Estruturadas para Machine Learning for Everybody – Full Course
Este curso é uma excelente fonte de revisão para entender o ML por meio de dados, modelos, treinamento, avaliação e limites. As anotações começam separando o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação, e terminam usando o teste para verificar se você consegue explicar o fluxo de trabalho.
- Separar o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação
- Conectar exemplos a aprendizado supervisionado (supervised learning), aprendizado não supervisionado (unsupervised learning) ou redes neurais
- Usar o teste para verificar se o aluno consegue explicar o fluxo de trabalho
Pontos-chave
- Este curso de ML para iniciantes foi transformado em conceitos de modelo, anotações de fluxo de trabalho e perguntas de teste.
- O vídeo de 3h54 do freeCodeCamp.org ajuda você a desmembrar cursos longos e entender o ML por meio de dados, modelos, treinamento, avaliação e limites. Separe o conjunto de dados (dataset), o modelo, o processo de treinamento e a métrica de avaliação (metric), e depois use o teste para verificar se consegue explicar o fluxo de trabalho.
- Como este é um curso longo, sua primeira ação de revisão deve ser separar o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação.
Mapa Mental - conecte dados, características, treinamento de modelo, avaliação, redes neurais e limitações
O mapa mental transforma a pergunta 'O que o modelo está aprendendo e como ele é avaliado?' em um layout visual. O mapa do curso, os pontos de verificação da unidade, os itens de prática e o ciclo de revisão organizam os dados, características, treinamento de modelo, avaliação, redes neurais e limitações.
- Centro do mapa: dados, características, treinamento de modelo, avaliação, redes neurais e limitações
- Pistas de ramificação: mapa do curso, ponto de verificação da unidade, item de prática e ciclo de revisão
- Pergunta de revisão mantida na página: O que o modelo está aprendendo e como ele é avaliado?
Teste - testar o fluxo de trabalho de aprendizado de máquina e o raciocínio de avaliação do modelo
Ao desmembrar cursos longos, o teste é útil para expor pontos fracos. Neste caso, o erro mais comum é usar termos de ML sem saber onde eles se encaixam no fluxo de trabalho.
- Foco das perguntas: fluxo de trabalho de aprendizado de máquina e raciocínio de avaliação do modelo
- Erro a ser observado: Usar termos de aprendizado de máquina sem saber onde eles se encaixam no fluxo de trabalho
- Correção para praticar: Colocar cada termo na sequência: dados, características, modelo, treinamento, previsão, avaliação e limites.
“Usar termos de aprendizado de máquina sem saber onde eles se encaixam no fluxo de trabalho”: esta é uma abordagem recomendada?
Cartões - repetir termos de ML como conjunto de dados, característica, rótulo, modelo, treinamento e métrica
Os cartões separam os termos de ML das anotações principais. Cada pista ajuda você a retornar aos mapas de unidades, pontos de verificação, itens de prática e revisão de áreas fracas sem precisar assistir ao vídeo inteiro novamente.
- Pista da frente: termos de ML como conjunto de dados, característica, rótulo, modelo, treinamento e métrica
- Resposta do verso: conectar a pista a O que o modelo está aprendendo e como ele é avaliado?
- Cartões errados apontam de volta para este passo: usar o teste para verificar se o aluno consegue explicar o fluxo de trabalho
Infográfico - um resumo visual de um fluxo de trabalho de aprendizado de máquina, desde os dados até o modelo avaliado
Este guia explica o fluxo de trabalho de ML com uma sequência de painéis: separe o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação; conecte exemplos a aprendizado supervisionado, não supervisionado ou redes neurais; e use o teste para verificar se consegue explicar o fluxo de trabalho.
- Sequência de painéis: Separar o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação; Conectar exemplos a aprendizado supervisionado, aprendizado não supervisionado ou redes neurais; Usar o teste para verificar se o aluno consegue explicar o fluxo de trabalho
- História visual: um fluxo de trabalho de aprendizado de máquina, desde os dados até o modelo avaliado
- Ação do aluno: dividir o curso em unidades e revisitar o ponto de verificação mais fraco primeiro
Podcast - saiba como revisar um curso de ML como um processo em vez de uma lista de jargões
O caminho de escuta foca em como revisar um curso de ML como um processo em vez de uma lista de jargões. Os apresentadores partem da separação do conjunto de dados, modelo, processo de treinamento e métrica de avaliação, e seguem até o uso do teste para verificar se você consegue explicar o fluxo de trabalho.
- Pergunta de abertura: O que o modelo está aprendendo e como ele é avaliado?
- Resumo em linguagem simples de Separar o conjunto de dados, o modelo, o processo de treinamento e a métrica de avaliação
- Pista de revisão final: usar o teste para verificar se o aluno consegue explicar o fluxo de trabalho
Machine Learning para Todos – Curso Completo
Voz 1: Este curso faz parte da categoria Cursos Longos para Estudantes porque ajuda você a desmembrar o conteúdo e trabalhar com mapas de unidades, pontos de verificação, itens de prática e revisão de áreas fracas.
Voz 2: Um curso de aprendizado de máquina para iniciantes que pode ser transformado em conceitos de modelo, anotações de fluxo de trabalho e perguntas de teste.
Mais notas sobre Cursos completos
O mesmo formato de estudo com outra fonte. Compare como o ThetaWave transforma materiais relacionados em notas, mapas, testes, cartões e recursos visuais.
Intro to Chemistry, Basic Concepts - Periodic Table, Elements, Metric System & Unit Conversion
The Organic Chemistry Tutor · 5.5M visualizações · 3h02m
Use esta fonte como etapa 1 na trilha de Cursos completos e consolide o conteúdo com notas e revisão ativa.
Statistics - A Full University Course on Data Science Basics
freeCodeCamp.org · 3.8M visualizações · 8h15m
Use esta fonte como etapa 2 na trilha de Cursos completos e consolide o conteúdo com notas e revisão ativa.
Linear Algebra - Full College Course
freeCodeCamp.org · 2.6M visualizações · 11h40m
Use esta fonte como etapa 3 na trilha de Cursos completos e consolide o conteúdo com notas e revisão ativa.
COMPLETE Human Anatomy in 1 Hour! A to Z 3D Human Body Organ Systems
Inside Us · 415K visualizações · 1h01m
Use esta fonte como etapa 4 na trilha de Cursos completos e consolide o conteúdo com notas e revisão ativa.
Perguntas frequentes
Aqui estão as dúvidas mais comuns sobre machine learning para todos – curso completo.
Transforme qualquer vídeo do YouTube em notas como estas.
Cole um link do YouTube e receba em minutos notas baseadas na fonte, mapa mental, teste, cartões, infográfico e prévia do podcast.