Machine Learning in R: Curso Completo de Regressão Logística

Partner: Udemy
Affiliate Name:
Area:
Description: Por que fazer este curso nos próximos 30 dias?Aprender sobre Algoritmos de Machine Learning, especialmente o de Regressão Logística, tem sido essencial para quem deseja ter seu espaço nas grandes empresas, pois são eles fazem com que computadores tomem decisões baseadas em algoritmos, encontrando informações interessantes em meio a uma grande quantidade de dados.Hoje, cada vez mais ocorre um aumento na quantidade de dados e conforme são os algoritmos são alimentados com mais dados, aprendem a reconhecer padrões e fornecer insights relevantes para as organizações. Mas como o programa reconhece esses padrões?Para tentarem descobrir padrões ou prever resultados, as ferramentas de aprendizagem de máquina tentam descobrir equações (modelos matemáticos) que ajudem a extrair algum significado de um conjunto de dados. É por isso que o termo “modelagem” é tão recorrente em textos e discussões sobre machine learning.Portando, este curso visa APROFUNDAR o estudo do zero ao avançado nos modelos de Regressão Logística, considerado o mais usado quando se pretende estimar risco (probabilidade de um evento).Que tipo de resultado eu tenho com esta técnica?Previsão de risco: ex: qual as chances da empresa fechar com base em algumas variáveis? Quais as chances de um indivíduo ter um AVC dado algumas variáveis como hábitos de fumo, escolaridade, atividades físicas , etc.? Qual a probabilidade do cliente ser um bom pagador com base em algumas variáveis como sexo, comportamento de consumo, etc.?Saber quais variáveis contribuem no aumento ou diminuição do risco de acontecer um determinado evento (nova venda de um produto, um Câncer ou outra doença qualquer, a peça ser defeituosa, etc.)O quanto altera na probabilidade quando um indivíduo está exposto a um fator de risco (ex: qual o risco de um cliente comprar um imóvel dado que ele é do sexo
Category: Development > Data Science > Logistic Regression
Partner ID:
Price: 184.99
Commission:
Source: Impact
Go to Course