Ao implementar um algoritmo do zero, é possível compreender com mais profundidade os conceitos teóricos e matemáticos por trás do funcionamento do modelo. O aprendizado de machine learning requer de conceitos matemáticos, como álgebra linear, cálculo, estatística e probabilidade. Quando se aprende a construir um modelo do zero, é necessário aplicar esses conceitos para entender como o modelo funciona e como pode ser melhorado.
Construindo um modelo a partir do zero, é possível explorar diferentes técnicas e métodos, testando sua eficácia e comparando seus resultados. Isso permite que compreendamos as vantagens e desvantagens de cada abordagem, podendo escolher a mais adequada para cada tipo de problema.
Além disso, ao implementar um algoritmo do zero, conseguimos adquirir habilidades em programação e desenvolvimento de software, o que é fundamental para se tornar um profissional de mais competente na área de machine learning.
Outra vantagem de aprender algoritmos de machine learning do zero é que, ao compreender como o modelo funciona, podemos ter uma noção maior do que estamos realmente fazendo ao utilizar algoritmos prontos da biblioteca sklearn e quais seriam suas melhores formas de aplicação, por exemplo.
Pretendo demonstrar os algoritmos de Regressão Linear, Regressão Logística, Suport Vector Machines, Árvores de Decisão, K Nearest Neighbors, Random Forest, K-Means, PCA e Naive Bayes.