Para mais informações sobre os programas profissionais e de pós-graduação em Inteligência Artificial de Stanford, visite:
https://stanford.io/3b2QxDeAnand Avati
Ciência da Computação, PhD
Para acompanhar o cronograma e o syllabus do curso, visite:
0:00 Introdução
0:42 Tópicos
1:16 Por que as métricas são importantes?
5:23 Classificação Binária
11:55 Modelos baseados em pontuação: Classificador
13:40 Métricas pontuais: Matriz de Confusão
15:05 Métricas pontuais: Verdadeiros Positivos
15:56 Métricas pontuais: Verdadeiros Negativos
16:28 Métricas pontuais: Falsos Positivos
16:49 Métricas pontuais: Falsos Negativos
17:43 FP e FN também chamados de erros Tipo-1 e Tipo-2
19:38 Métricas pontuais: Acurácia
20:29 Métricas pontuais: Precisão
23:15 Métricas pontuais: Recall Positivo (Sensibilidade)
28:22 Métricas pontuais: Recall Negativo (Especificidade)
33:48 Métricas pontuais: F score
35:40 Métricas pontuais: Mudando o limiar
46:05 Métricas resumidas: ROC (versão rotacionada)
54:02 Métricas resumidas: PRC
59:05 Métricas resumidas: Motivação para Log-Loss