Siga o roteiro proposto para carregar, explorar, modelar e comparar os resultados, sempre documentando suas decisões e análises. Ao final, escolha uma das opções para disponibilizar o modelo treinado, conforme sua preferência e experiência.
Dataset:
tempo_de_experiencia: Tempo em meses que o vendedor trabalha na empresa.numero_de_vendas: Número de vendas realizadas pelo vendedor em um período específico.fator_sazonal: Um fator (de 1 a 10) que representa a sazonalidade das vendas (ex: 10 representa alta temporada).receita_em_reais: Receita total gerada pelo vendedor.
Disponibilização do modelo
Conforme vimos nos módulos anteriores, temos formas diferentes de disponibilizar um modelo treinado para predizer dados. Decida entre API, App com Gradio ou uma aplicação que envolva a API e acesso pelo front com Streamlit.
Observação
O dataset se encontra compactado na seção de recursos, é necessário extrair primeiro.
Entrega
Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.
Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?
É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!
Feito com 💜 por Rocketseat 👋
Siga o roteiro proposto para carregar, explorar, modelar e comparar os resultados, sempre documentando suas decisões e análises. Ao final, escolha uma das opções para disponibilizar o modelo treinado, conforme sua preferência e experiência.
Dataset:
tempo_de_experiencia: Tempo em meses que o vendedor trabalha na empresa.numero_de_vendas: Número de vendas realizadas pelo vendedor em um período específico.fator_sazonal: Um fator (de 1 a 10) que representa a sazonalidade das vendas (ex: 10 representa alta temporada).receita_em_reais: Receita total gerada pelo vendedor.
Disponibilização do modelo
Conforme vimos nos módulos anteriores, temos formas diferentes de disponibilizar um modelo treinado para predizer dados. Decida entre API, App com Gradio ou uma aplicação que envolva a API e acesso pelo front com Streamlit.
Observação
O dataset se encontra compactado na seção de recursos, é necessário extrair primeiro.
Entrega
Após concluir o desafio, você deve enviar a URL do seu código no GitHub para a plataforma.
Além disso, que tal fazer um post no LinkedIn compartilhando o seu aprendizado e contando como foi a experiência?
É uma excelente forma de demonstrar seus conhecimentos e atrair novas oportunidades!
Feito com 💜 por Rocketseat 👋
