Machine Learning com tidymodels: Esquenta

class: title-slide, center

.pull-left[

# Machine Learning com `tidymodels`: Esquenta

## Bruna Wundervald

### R-Ladies São Paulo
### Maio, 2021

]

.pull-right[

</div>

]

???

Welcome to the webinar on sharing on short notice

Where we'll show you how to get your teaching materials online with R Markdown.

---

name: clouds
class: center, middle
background-image: url(images/sea.jpg)
background-size: cover

### Bruna Wundervald

[GitHub: @brunaw](https://github.com/brunaw)  
[Twitter: @bwundervald](https://twitter.com/bwundervald)  
[Page: http://brunaw.com/](http://brunaw.com/)

---
class: middle, center

## .big-text[Hoje]

<div class="flex" style="margin: 0 1em;">
  <div class="column">
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/tidymodels.svg"" style="width: 75%;">
  </div>
  
???

Here's who I know you are...

--
   <div class="column"style="margin: 0 1em;">
    <h3> Engenharia de variáveis  </h3>
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/recipes.svg" style="width: 65%;">
  </div>

???

--
   <div class="column"style="margin: 0 1em;">
    <h3> Reamostragem  </h3>
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/rsample.svg" style="width: 65%;">
  </div>

???

--
   <div class="column"style="margin: 0 1em;">
    <h3> Interface de modelagem </h3>
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/parsnip.svg" style="width: 65%;">
  </div>

???

--
   <div class="column"style="margin: 0 1em;">
    <h3> Workflows  </h3>
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/
workflows.svg" style="width: 65%;">
  </div>

???

--
   <div class="column"style="margin: 0 1em;">
    <h3> Comparação de modelos  </h3>
    <img src="https://raw.githubusercontent.com/rstudio/hex-stickers/master/SVG/
broom.svg" style="width: 65%;">
  </div>

???

You have R Markdown files for teaching...

---
class: middle

# O pacote `tidymodels`

- Criado e mantido por [Max Kuhn](https://github.com/topepo) e o time `tidymodels`

- Coleção unificada de pacotes para modelagem & 
machine learning em `R`

- Se integra facilmente com os outros pacotes do `tidyverse`

- Focado em eficiência & reproducibilidade

---
background-color: #fef9c8
class: middle

## Machine Learning: Passos básicos

1. Separação em treino e teste com `rsample`
  2. Engenharia de variáveis com `recipes`
  3. Especificação de modelos e ajuste com `parsnip`
  4. Avaliação e seleção de modelos com `broom`

---
class: middle
background-color: #fef9c8

# 1. Separação em treino e teste

---
class: middle

# 1. Separação em treino e teste

> Função principal: possibilitar a validação de algoritmos de machine learning

- Separação de uma base de treino (geralmente entre 70% e 90% dos dados),
na qual o modelo será ajustado

- Separação de uma base de teste (o restante dos dados), na qual o modelo
será avaliado em dados não vistos durante o treino

- Como o modelo se comporta caso eu tenha novos dados? 
  
- É um passo **muito** importante

---
class: middle
background-color: #fef9c8

# 2. Engenharia de variáveis

(...ou "feature engineering")

---
class: middle

# 2. Engenharia de variáveis

> Função principal: transformar e criar variáveis que tragam informação ao modelo

- Pode ser a transformação de variáveis (log, imputação, normalização, transformação em número/matriz)

- Ou pode ser a criação de novas variáveis: 
  - Operações entre variáveis já existentes
  - Extração de informação de texto ou datas
  - Agrupamentos
  - Interações entre variáveis

- É um processo bem subjetivo

---
class: middle
background-color: #fef9c8

# 3. Especificação de modelos e ajuste

---
class: middle

# 3. Especificação de modelos e ajuste

> Função principal: definir e ajustar os modelos escolhidos

- Definir um ou mais modelos que serão ajustado e comparados

- Definir os hyperparâmetros de cada modelo e se eles serão "tunados"

- Tunagem: seleção de valores ótimos para os hyperparâmetros
  
- Ajuste dos modelos definidos

---
class: middle
background-color: #fef9c8

# 4. Avaliação e seleção de modelos

---
class: middle

# 4. Avaliação e seleção de modelos

> Função principal: calcular as métricas de predição e selecionar os melhores
modelos

- Métricas mais comuns: acurácia (classificação) e  erro quadrático médio  (regressão)

- A métrica escolhida é calculada utilizando a base de teste

- Os modelos são comparados e selecionados, geralmente em termos da acurácia
  - Tipo do algoritmo
  - Valores dos hyperparâmetros

---

class: bottom, left, inverse

## Obrigada!

### Me encontre em...
[GitHub: @brunaw](https://github.com/brunaw)

[Twitter: @bwundervald](https://twitter.com/bwundervald)

[Página pessoal: http://brunaw.com/](http://brunaw.com/)