Programa do Curso

Aprendizagem supervisionada: classificação e regressão

  • Machine Learning em Python: introdução à API do scikit-learn
    • regressão linear e logística
    • máquina de vectores de suporte
    • redes neuronais
    • floresta aleatória
  • Configurando um pipeline de aprendizagem supervisionada de ponta a ponta usando o scikit-learn
    • trabalhar com ficheiros de dados
    • imputação de valores em falta
    • manipulação de variáveis categóricas
    • visualização de dados

Python quadros para aplicações de IA:

  • TensorFlow, Theano, Caffe e Keras
  • IA à escala com Apache Spark: Mlib

Arquitecturas avançadas de redes neuronais

  • redes neuronais convolucionais para análise de imagens
  • redes neuronais recorrentes para dados estruturados no tempo
  • a célula de memória de longo prazo

Aprendizagem não supervisionada: agrupamento, deteção de anomalias

  • aplicação da análise de componentes principais com o scikit-learn
  • implementação de autoencoders em Keras

Exemplos práticos de problemas que a IA pode resolver (exercícios práticos utilizando notebooks Jupyter), por exemplo

  • análise de imagens
  • previsão de séries financeiras complexas, como os preços das acções,
  • reconhecimento de padrões complexos
  • processamento de linguagem natural
  • sistemas de recomendação

Compreender as limitações dos métodos de IA: modos de fracasso, custos e dificuldades comuns

  • sobreajuste
  • compromisso entre enviesamento e variância
  • enviesamentos em dados observacionais
  • envenenamento de redes neuronais

Trabalho de projeto aplicado (opcional)

Requisitos

Não são necessários requisitos específicos para frequentar este curso.

 28 horas

Número de participantes


Preço por participante

Declaração de Clientes (2)

Upcoming Courses

Categorias Relacionadas