Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafio 1: Escalonamento de Dados | Scikit-learn
Desafio de Entrevista em Ciência de Dados
course content

Conteúdo do Curso

Desafio de Entrevista em Ciência de Dados

Desafio de Entrevista em Ciência de Dados

1. Python
IntroduçãoDesafio 1: Compreensão de ListaDesafio 2: Manipulação de StringsDesafio 3: Manipulação de DicionárioDesafio 4: Laços AninhadosDesafio 5: ClassesPerguntas Teóricas
2. NumPy
Desafio 1: Criação de ArrayDesafio 2: Manipulação de ArrayDesafio 3: Insights EstatísticosDesafio 4: Tratamento de Valores AusentesDesafio 5: Ordenação de SubarranjoQuestões Teóricas
3. Pandas
Desafio 1: Criação de DataFrameDesafio 2: Agrupamento de DadosDesafio 3: Indexação e MultiIndexaçãoDesafio 4: Alterando DataFrameDesafio 5: Iterando Sobre DadosQuestões Teóricas
4. Matplotlib
Desafio 1: Fundamentos da Construção de GráficosDesafio 2: Outros Tipos de GráficosDesafio 3: SubtramasDesafio 4: Personalizando GráficosDesafio 5: Adicionando Texto aos GráficosQuestões Teóricas
5. Seaborn
Desafio 1: Visualizando DistribuiçõesDesafio 2: Explorando Dados CategóricosDesafio 3: Gráficos RelacionaisDesafio 4: Gráficos de RegressãoDesafio 5: Gráficos de MatrizQuestões Teóricas
6. Estatísticas
Desafio 1: Probabilidades e DistribuiçõesDesafio 2: Teorema de BayesDesafio 3: Teste de HipótesesDesafio 4: Intervalos de ConfiançaDesafio 5: CorrelaçãoQuestões Teóricas
7. Scikit-learn
Desafio 1: Escalonamento de DadosDesafio 2: Criação de Modelo BásicoDesafio 3: PipelinesDesafio 4: Validação CruzadaDesafio 5: Ajuste de HiperparâmetrosQuestões Teóricas

bookDesafio 1: Escalonamento de Dados

No mundo da ciência de dados e aprendizado de máquina, o escalamento de dados é um passo crítico de pré-processamento. Ele envolve principalmente a transformação das características (variáveis) do conjunto de dados para uma escala padrão, garantindo que cada característica tenha uma escala similar ou alcance. Isso é especialmente significativo para algoritmos que dependem de distâncias ou gradientes, pois assegura que todas as características contribuam igualmente para o resultado e o algoritmo converge mais eficientemente.

Aqui está uma demonstração de como as ferramentas de escalonamento do scikit-learn modificam a distribuição de dados:

Tarefa
test

Swipe to show code editor

Nesta tarefa, você trabalhará com o popular conjunto de dados Iris. Seu objetivo é aplicar dois tipos de escalonadores aos dados e comparar os conjuntos de dados resultantes.

  1. Utilize a classe StandardScaler para padronizar o conjunto de dados, o que significa transformá-lo para ter uma média de 0 e um desvio padrão de 1.
  2. Utilize a classe MinMaxScaler para reescalar o conjunto de dados. Garanta que, após a escala, os valores das características estejam entre -1 e 1.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 7. Capítulo 1
toggle bottom row

bookDesafio 1: Escalonamento de Dados

No mundo da ciência de dados e aprendizado de máquina, o escalamento de dados é um passo crítico de pré-processamento. Ele envolve principalmente a transformação das características (variáveis) do conjunto de dados para uma escala padrão, garantindo que cada característica tenha uma escala similar ou alcance. Isso é especialmente significativo para algoritmos que dependem de distâncias ou gradientes, pois assegura que todas as características contribuam igualmente para o resultado e o algoritmo converge mais eficientemente.

Aqui está uma demonstração de como as ferramentas de escalonamento do scikit-learn modificam a distribuição de dados:

Tarefa
test

Swipe to show code editor

Nesta tarefa, você trabalhará com o popular conjunto de dados Iris. Seu objetivo é aplicar dois tipos de escalonadores aos dados e comparar os conjuntos de dados resultantes.

  1. Utilize a classe StandardScaler para padronizar o conjunto de dados, o que significa transformá-lo para ter uma média de 0 e um desvio padrão de 1.
  2. Utilize a classe MinMaxScaler para reescalar o conjunto de dados. Garanta que, após a escala, os valores das características estejam entre -1 e 1.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

Seção 7. Capítulo 1
toggle bottom row

bookDesafio 1: Escalonamento de Dados

No mundo da ciência de dados e aprendizado de máquina, o escalamento de dados é um passo crítico de pré-processamento. Ele envolve principalmente a transformação das características (variáveis) do conjunto de dados para uma escala padrão, garantindo que cada característica tenha uma escala similar ou alcance. Isso é especialmente significativo para algoritmos que dependem de distâncias ou gradientes, pois assegura que todas as características contribuam igualmente para o resultado e o algoritmo converge mais eficientemente.

Aqui está uma demonstração de como as ferramentas de escalonamento do scikit-learn modificam a distribuição de dados:

Tarefa
test

Swipe to show code editor

Nesta tarefa, você trabalhará com o popular conjunto de dados Iris. Seu objetivo é aplicar dois tipos de escalonadores aos dados e comparar os conjuntos de dados resultantes.

  1. Utilize a classe StandardScaler para padronizar o conjunto de dados, o que significa transformá-lo para ter uma média de 0 e um desvio padrão de 1.
  2. Utilize a classe MinMaxScaler para reescalar o conjunto de dados. Garanta que, após a escala, os valores das características estejam entre -1 e 1.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Tudo estava claro?

Como podemos melhorá-lo?

Obrigado pelo seu feedback!

No mundo da ciência de dados e aprendizado de máquina, o escalamento de dados é um passo crítico de pré-processamento. Ele envolve principalmente a transformação das características (variáveis) do conjunto de dados para uma escala padrão, garantindo que cada característica tenha uma escala similar ou alcance. Isso é especialmente significativo para algoritmos que dependem de distâncias ou gradientes, pois assegura que todas as características contribuam igualmente para o resultado e o algoritmo converge mais eficientemente.

Aqui está uma demonstração de como as ferramentas de escalonamento do scikit-learn modificam a distribuição de dados:

Tarefa
test

Swipe to show code editor

Nesta tarefa, você trabalhará com o popular conjunto de dados Iris. Seu objetivo é aplicar dois tipos de escalonadores aos dados e comparar os conjuntos de dados resultantes.

  1. Utilize a classe StandardScaler para padronizar o conjunto de dados, o que significa transformá-lo para ter uma média de 0 e um desvio padrão de 1.
  2. Utilize a classe MinMaxScaler para reescalar o conjunto de dados. Garanta que, após a escala, os valores das características estejam entre -1 e 1.
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
Seção 7. Capítulo 1
Switch to desktopMude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo
We're sorry to hear that something went wrong. What happened?
some-alt