Leituras Essenciais em Machine Learning

Se um de seus objetivos para o próximo ano é expandir seu conhecimento sobre aprendizado de máquina, você está no lugar certo. Independentemente de sua experiência com algoritmos, ajuste de hiperparâmetros ou MLOps, você pode encontrar várias entradas para esse tópico, e nossos autores - muitos dos quais são especialistas em ML experientes - têm um talento especial para traduzir conceitos complexos em postagens envolventes e acionáveis.

Nesta semana, selecionamos alguns dos melhores artigos de ML que publicamos nas últimas semanas, incluindo guias de nível introdutório e tutoriais mais avançados e orientações de projeto. Escolha um ou leia vários: você certamente aprenderá algo novo.

• Familiarizando-se com pipelines de ML . “Implementar o aprendizado de máquina em ambientes de produção pode ser um processo desafiador e demorado para muitas empresas”, diz Chayma Zatout — e é por isso que MLOps se tornou uma abordagem crucial para pensar em fluxos de trabalho de aprendizado de máquina de forma holística. Leia a postagem de Chayma para obter uma introdução acessível e completa a este tópico importante.
• Árvores de decisão, explicadas pacientemente . Se você está ansioso para colocar a mão na massa com um modelo real, não percao artigo TDS de estreia de Frauke Albrecht . É um tutorial passo a passo detalhado que mostra como construir uma árvore de decisão para um problema de classificação e abrange a matemática subjacente e uma implementação do Python.

• Olhando sob o capô de um sistema de recomendação . Wen Yang ganhou recentemente o Innovation Days Award de sua empresa, e seu último post nos mostra o projeto que a levou até lá: uma ferramenta baseada em aprendizado de máquina que recomenda trilhas para os amantes da natureza. É uma exploração fascinante do que envolve a construção e o treinamento de um modelo em um cronograma apertado, bem como um roteiro útil para se sair bem em hackathons.
• Um guia (muito) completo para engenharia de recursos . Otimizar seus dados para o modelo que você está treinando pode ser o fator decisivo para o sucesso do seu projeto. O excelente mergulho profundo de Dominik Polzer na engenharia de recursos abrange sete abordagens comuns (da codificação e vetorização ao cruzamento de recursos) e mostra como aplicá-las a conjuntos de dados do mundo real.
• Olhe para as estrelas (será que são estrelas?) . Se você gosta de ML e astronomia, não percao artigo recente de Mohammed Saifuddin . Ele aborda o problema de classificação estelar - como identificar um determinado corpo celeste como uma estrela, quasar ou galáxia com base em características espectrais - com o auxílio de um processo de modelagem completo (e bem explicado).
• Qual é a melhor abordagem para resolver problemas de negócios com ML? À medida que mais e mais empresas confiam no aprendizado de máquina para tarefas cruciais, como previsão de churn, a abordagem correta torna-se fundamental. Samuele Mazzanti recentemente desvendou um dilema particularmente comum: se é melhor contar com vários modelos especializados ou optar por um modelo geral.
• Além da máquina: explorando o aprendizado baseado em regras . No centro do tutorial de Khuyen Tran está uma observação importante: a intuição humana e a experiência no assunto podem melhorar o desempenho dos modelos de ML. Ela continua mostrando como podemos aproveitar o pacote Python de aprendizado humano para obter o melhor resultado dos dois mundos.

Até a próxima Variável,

Editores TDS