Árvore de Decisão é um algoritmo de máquina de aprendizado supervisionado. Uma das grandes desvantagens desse algoritmo é a dependência do conjunto de treino. Qual o problema disso? O que ocorre com classificadores desse tipo é o overfitting. Em outras palavras, tais classificadores ficam 'viciados' no conjunto de treino. O que fazer para contornar isso? É aí que surge o método ensemble: tal método utiliza como classificação o voto majoritário de um conjunto de classificadores ditos fracos. Intuitivamente, seria como se numa conferência médica, especialistas em diferentes áreas quisessem diagnosticar um paciente com diferentes sintomas. O diagnóstico dado pelo voto majoritário de todos os conferencistas é mais forte que o diagnóstico dado por um único médico, certo? Quer ver isso funcionando? Você pode conferir essa palestra através de uma apresentação de exemplos práticos.

Aviso! Esta não é uma palestra sobre Kung Fu, mas sim sobre como explorar de maneira interativa a biblioteca open-source Pandas, escrita em Python.

Pra quem não sabe, quando estamos trabalhando com Ciência de Dados, é bastante comum utilizar esta biblioteca para manipular o conjunto de dados que se tem em mãos, como uma etapa anterior a aplicação de qualquer algoritmo de Machine Learning.

O objetivo desta palestra é mostrar a você a alta performance provida pelo Pandas e também como é fácil utilizá-lo. Através de exemplos interativos utilizando Jupyter Notebook, você perceberá que não precisa ser especialista na área pra cair dentro de análise de dados.

E aí? Vamos começar fazendo um alongamento?

Árvore de Decisão é um algoritmo de máquina de aprendizado supervisionado. Uma das grandes desvantagens desse algoritmo é a dependência do conjunto de treino. Qual o problema disso? O que ocorre com classificadores desse tipo é o overfitting. Em outras palavras, tais classificadores ficam 'viciados' no conjunto de treino. O que fazer para contornar isso? É aí que surgem os modelos ensemble: tais modelos utilizam como classificação o voto majoritário de um conjunto de classificadores ditos fracos. Intuitivamente, seria como se numa conferência médica, especialistas em diferentes áreas quisessem diagnosticar um paciente com diferentes sintomas. O diagnóstico dado pelo voto majoritário de todos os conferencistas é mais forte que o diagnóstico dado por um único médico, certo? Quer saber mais sobre isso? Você pode conferir essa palestra através de uma apresentação de exemplos cotidianos.