MLD104 · Estatística para machine learning
Sobre o curso
A estatística em que o machine learning se apoia: distribuições, amostragem, incerteza, testes de hipótese, testes A/B e o equilíbrio entre viés e variância, ensinados com código e exemplos de negócio.
Para quem é
Analistas e desenvolvedores que querem raciocinar corretamente sobre dados, experimentos e resultados de modelos.
Pré-requisitos
MLD103 ou experiência equivalente com pandas e gráficos básicos; álgebra do ensino médio.
O que você será capaz de fazer
- Descrever dados com distribuições adequadas e explicar a variabilidade amostral e o teorema central do limite
- Calcular e interpretar intervalos de confiança por fórmulas e por bootstrap
- Planejar e analisar um teste A/B, incluindo tamanho da amostra, valores-p e relevância prática
- Explicar o equilíbrio entre viés e variância e por que os modelos são avaliados em dados que nunca viram
Aulas
- Aula 1 · Distribuições, amostragem e incerteza
- Aula 2 · Intervalos de confiança, testes e experimentos A/B
- Aula 3 · A estatística dentro do machine learning
- Aula 4 · Laboratório e atividade
Laboratório: Analisando um teste A/B de preço
Você vai analisar um teste A/B de uma loja virtual que mostrou duas versões da página de pagamento. Vai simular amostragens para ver o teorema central do limite em ação, estimar o ganho de conversão com um intervalo de confiança, aplicar o teste adequado e decidir se o resultado justifica uma ação.
Ferramentas gratuitas: Google Colab (gratuito) com NumPy, pandas, SciPy e statsmodels
Atividade avaliada
Planeje e analise um experimento para uma decisão de um pequeno negócio, como testar dois assuntos de e-mail para uma clínica odontológica ou dois layouts de cardápio para uma cafeteria, usando os dados fornecidos ou dados simulados com justificativa. Declare a hipótese e a métrica principal antes de olhar os resultados, calcule o tamanho de amostra necessário, analise os resultados com intervalo de confiança e teste e escreva um memorando de decisão de uma página explicando o que você recomenda e que riscos permanecem.
| Critério | Peso | Como é um trabalho excelente |
|---|---|---|
| Planejamento do experimento | 25% | Hipótese, métrica principal e tamanho de amostra definidos antes da análise e adequados à decisão. |
| Análise correta | 30% | Taxas, intervalos e testes calculados corretamente, com premissas verificadas e código reproduzível. |
| Interpretação | 25% | Valores-p e intervalos interpretados corretamente, com distinção clara entre significância estatística e relevância prática. |
| Memorando de decisão | 20% | Recomendação concisa, que um gestor consegue colocar em prática, com a incerteza e os riscos restantes ditos com clareza. |
Peça de portfólio
Um notebook reproduzível de análise de teste A/B e um memorando de decisão de uma página.
Próximo passo
Continue com MLD105 · Aprendizado supervisionado: regressão e classificação · 8 horas · R$ 80,00
Conteúdo do curso
MLD104 · Estatística para machine learning (6 h)
-
Aula 1 · Distribuições, amostragem e incerteza
-
Aula 2 · Intervalos de confiança, testes e experimentos A/B
-
Aula 3 · A estatística dentro do machine learning
-
Aula 4 · Laboratório e atividade
-
MLD104 Avaliação · Estatística para machine learning