Conteúdo do Curso

Desafio de Entrevista em Ciência de Dados

1. Python

Introdução Desafio 1: Compreensão de Lista Desafio 2: Manipulação de Strings Desafio 3: Manipulação de Dicionário Desafio 4: Laços Aninhados Desafio 5: Classes Perguntas Teóricas

2. NumPy

Desafio 1: Criação de Array Desafio 2: Manipulação de Array Desafio 3: Insights Estatísticos Desafio 4: Tratamento de Valores Ausentes Desafio 5: Ordenação de Subarranjo Questões Teóricas

3. Pandas

Desafio 1: Criação de DataFrame Desafio 2: Agrupamento de Dados Desafio 3: Indexação e MultiIndexação Desafio 4: Alterando DataFrame Desafio 5: Iterando Sobre Dados Questões Teóricas

4. Matplotlib

Desafio 1: Fundamentos da Construção de Gráficos Desafio 2: Outros Tipos de Gráficos Desafio 3: Subtramas Desafio 4: Personalizando Gráficos Desafio 5: Adicionando Texto aos Gráficos Questões Teóricas

5. Seaborn

Desafio 1: Visualizando Distribuições Desafio 2: Explorando Dados Categóricos Desafio 3: Gráficos Relacionais Desafio 4: Gráficos de Regressão Desafio 5: Gráficos de Matriz Questões Teóricas

6. Estatísticas

Desafio 1: Probabilidades e Distribuições Desafio 2: Teorema de Bayes Desafio 3: Teste de Hipóteses Desafio 4: Intervalos de Confiança Desafio 5: Correlação Questões Teóricas

7. Scikit-learn

Desafio 1: Escalonamento de Dados Desafio 2: Criação de Modelo Básico Desafio 3: Pipelines Desafio 4: Validação Cruzada Desafio 5: Ajuste de Hiperparâmetros Questões Teóricas

Desafio 2: Criação de Modelo Básico

No campo da aprendizagem de máquina, a criação de modelos pode ser amplamente categorizada em aprendizado supervisionado e não supervisionado.

O aprendizado supervisionado é um método em que um modelo é treinado em dados rotulados, ou seja, o algoritmo é fornecido com pares de entrada-saída, e aprende a mapear as entradas para as saídas desejadas. Exemplos incluem regressão, onde prevemos um valor contínuo, e classificação, onde atribuímos dados de entrada a uma das categorias pré-definidas.

Por outro lado, o aprendizado não supervisionado opera sem dados rotulados, visando identificar padrões ou estruturas dentro dos dados. O algoritmo não é informado da resposta "correta", mas tenta extrair percepções por conta própria. Técnicas como agrupamento, onde dados são agrupados com base em semelhanças inerentes, e redução de dimensionalidade, onde características redundantes ou menos informativas são minimizadas ou removidas, são exemplos clássicos.

Ambos os métodos de aprendizado supervisionado e não supervisionado são fundamentais na ciência de dados e oferecem diversas ferramentas para abordar uma ampla gama de problemas e desafios.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tudo estava claro?

Seção 7. Capítulo 2

Desafio 2: Criação de Modelo Básico

No campo da aprendizagem de máquina, a criação de modelos pode ser amplamente categorizada em aprendizado supervisionado e não supervisionado.

Ambos os métodos de aprendizado supervisionado e não supervisionado são fundamentais na ciência de dados e oferecem diversas ferramentas para abordar uma ampla gama de problemas e desafios.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tudo estava claro?

Seção 7. Capítulo 2

Desafio 2: Criação de Modelo Básico

No campo da aprendizagem de máquina, a criação de modelos pode ser amplamente categorizada em aprendizado supervisionado e não supervisionado.

Ambos os métodos de aprendizado supervisionado e não supervisionado são fundamentais na ciência de dados e oferecem diversas ferramentas para abordar uma ampla gama de problemas e desafios.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Tudo estava claro?

No campo da aprendizagem de máquina, a criação de modelos pode ser amplamente categorizada em aprendizado supervisionado e não supervisionado.

Ambos os métodos de aprendizado supervisionado e não supervisionado são fundamentais na ciência de dados e oferecem diversas ferramentas para abordar uma ampla gama de problemas e desafios.

Tarefa

Treine um classificador RandomForest para prever os tipos de vinho com base em suas propriedades químicas e avalie o desempenho do modelo.

Divida os dados em conjuntos de treinamento e teste.
Treine um Classificador Random Forest usando o conjunto de treinamento. Defina o número de árvores da floresta como 20 e a profundidade máxima de cada uma delas como 4.
Avalie o desempenho do modelo utilizando um relatório de classificação.

Seção 7. Capítulo 2

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo