Conceber sistemas de aprendizagem automática

Capítulo 6. Desenvolvimento de modelos e avaliação offline

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

No Capítulo 4, discutimos como criar dados de treino para o seu modelo e, no Capítulo 5, discutimos como criar caraterísticas a partir desses dados de treino. Com o conjunto inicial de caraterísticas, passamos à parte do algoritmo de ML dos sistemas de ML. Para mim, este sempre foi o passo mais divertido, pois permite-me brincar com diferentes algoritmos e técnicas, mesmo os mais recentes. É também o primeiro passo em que posso ver todo o trabalho árduo que investi na engenharia de dados e de caraterísticas transformado num sistema cujos resultados (previsões) posso utilizar para avaliar o sucesso do meu esforço.

Para construir um modelo de ML, primeiro temos de selecionar o modelo de ML a construir. Existem muitos algoritmos de ML, e outros estão sendo desenvolvidos ativamente. Este capítulo começa com seis dicas para selecionar os melhores algoritmos para a tua tarefa.

A secção seguinte aborda diferentes aspectos do desenvolvimento de modelos, como a depuração, o acompanhamento e o controlo de versões de experiências, o treino distribuído e o AutoML.

O desenvolvimento de modelos é um processo iterativo. Depois de cada iteração, vais querer comparar o desempenho do teu modelo com o desempenho em iterações anteriores e avaliar se esta iteração é adequada para a produção. A última secção deste capítulo ...