Aprendizagem de Máquina e Análise de Dados usando Python e IPython/Jupyter, Slides de Inteligência Artificial

Baixe Aprendizagem de Máquina e Análise de Dados usando Python e IPython/Jupyter e outras Slides em PDF para Inteligência Artificial, somente na Docsity!

Julio Cartier M. Gomes

Aprendizagem de máquina e

análise de dados aplicado a

dados com o uso da

linguagem python

Desenvolvedor Python na empresa IVIA/WIPRO.

Mestre em ciência da computação pelo o

programa de pós-graduação UFERSA/UERN e

graduado em sistemas de informação na

UFERSA. Tem experiência no desenvolvimento

de aplicações na área de processamento de sinal

e imagem com ênfase em aprendizagem de

máquina com aplicações em sensores baseados

em ressonância de plasmons de superfície.

Julio Cartier

Aprendizagem de Máquina

● Aprendizagem Supervisionado

● Aprendizagem Não-Supervisionado

● Aprendizagem Semi-Supervisionado

● Aprendizagem Por Reforço

Python para análise de dados

● Python se tornou uma linguagem popular em 2005, junto com à linguagem

Ruby devido os seus frameworks Rails e Django;

● Comunidade grande e ativa no processamento científico e análise de

dados;

● Ótimo suporte na análise de dados com bibliotecas como: Numpy,

Scikit-Learn e Pandas).

Ipython e Jupyter

● Ipython foi criado para maximizar a produtividade no desenvolvimento de

código;

● Oferece um ambiente produtivo para processamento interativo e

exploratório;

● O ipython contém o jupyter que permite criar conteúdo em Markdown e

em HTML.

Ipython e Jupyter

Ipython e Jupyter

Ipython e Jupyter

#Bibliotecas para Analise de Dados import pandas as pd import numpy as np

#Bibliotecas para plotar gráficos import seaborn as sb import matplotlib.pyplot as plt

Ipython e Jupyter

#Bibliotecas para aprendizagem de máquina from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.ensemble import AdaBoostClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import roc_auc_score

import warnings warnings.filterwarnings('ignore')

Ipython e Jupyter

data.drop(['Ticket', 'Name'], axis=1, inplace=True)

data.describe()

Ipython e Jupyter

data['Cabin'].head()

data['Cabin'] = data['Cabin'].astype(str).str[0]

data.head()

data['Cabin'].head()

Ipython e Jupyter

e_age = data['Age'].isnull().sum()

print(format(e_age))

def normalizeAge(data): if data < 1.0: return 1. return data

data['Age'] = data['Age'].apply(normalizeAge)

Ipython e Jupyter

idade_media_homens = data[data['Sex'] == 'male'].groupby('Pclass')['Age'].mean() idade_media_mulheres = data[data['Sex'] == 'female'].groupby('Pclass')['Age'].mean()

print(idade_media_homens) print(idade_media_mulheres)