Entrar em Contato

Programa do Curso

Aprendizagem Supervisionada: Classificação e Regressão

  • Machine Learning em Python: introdução à API do scikit-learn
    • regressão linear e logística
    • máquinas de vetores de suporte (SVM)
    • redes neurais
    • random forest
  • Configuração de um pipeline completo de aprendizagem supervisionada utilizando o scikit-learn
    • trabalhando com arquivos de dados
    • pREENCHIMENTO de valores ausentes
    • manipulação de variáveis categóricas
    • visualização de dados

Ferramentas Python para aplicações de IA:

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

Arquiteturas avançadas de redes neurais

  • redes neurais convolucionais para análise de imagens
  • redes neurais recorrentes para dados estruturados temporalmente
  • a célula de memória de longo prazo (LSTM)

Aprendizagem Não Supervisionada: Agrupamento, Detecção de Anomalias

  • implementação da análise de componentes principais (PCA) com o scikit-learn
  • implementação de autoencoders no Keras

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

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

Compreensão das limitações dos métodos de IA: modos de falha, custos e dificuldades comuns

  • sobreajuste (overfitting)
  • compromisso entre viés/variância (bias/variance trade-off)
  • vieses nos dados observacionais
  • envenenamento de redes neurais

Trabalho de Projeto Aplicado (opcional)

Requisitos

Não há requisitos específicos para participar deste curso.

 28 Horas

Número de participantes


Preço por participante

Testemunhos de Clientes (2)

Próximas Formações Provisórias

Categorias Relacionadas