Essas são IAs produzidas durante o crash course do Diogo Cortiz de Inteligência Artificial
Curso no YouTube no canal do Diogo Cortiz.
- Python
- Jupyter Notebook
Uma árvore de decisão é um método de classificação que consiste em uma estrutura hierárquica de perguntas e respostas. Cada nó da árvore representa uma pergunta ou uma decisão a ser tomada, e cada ramo representa uma resposta possível à pergunta. O objetivo é chegar a uma decisão final, geralmente classificando um item em uma categoria, seguindo um caminho através da árvore a partir da raiz até uma folha. As árvores de decisão são amplamente utilizadas em aprendizado de máquina e inteligência artificial para classificação, classificação e previsão.
A regressão linear é um método estatístico usado para estabelecer a relação entre uma variável dependente (variável alvo) e uma ou mais variáveis independentes (predictores). Ele consiste em encontrar a melhor reta (ou hiperplano, em casos de múltiplas variáveis independentes) que se ajusta aos dados, de forma que a distância entre os pontos dos dados e a reta seja mínima. A regressão linear é utilizada para prever valores futuros de uma variável dependente, dado um conjunto de valores de variáveis independentes. É uma das técnicas de aprendizado supervisionado mais simples e amplamente utilizadas em estatística e análise de dados.
A regressão polinomial é uma extensão da regressão linear, onde a relação entre a variável dependente e as variáveis independentes é modelada como uma equação polinomial em vez de uma reta. Isso significa que além dos termos lineares (como x), também inclui termos como x^2, x^3 e assim por diante. A regressão polinomial é utilizada quando a relação entre as variáveis não é linear, mas sim curvilínea. Isso pode ser observado quando existem relações não lineares entre as variáveis independentes e dependentes. A regressão polinomial pode ser aplicada para modelar essas relações e fazer previsões precisas. A desvantagem dessa técnica é que pode ser propenso a overfitting, ou seja, criar um modelo que se adapta muito bem aos dados de treinamento, mas não se aplica bem a novos dados.
Esse projeto utiliza a licença do MIT.