Entrar em Contato

Programa do Curso

Aprendizado supervisionado: classificação e regressão

  • Aprendizado de Máquina em Python: introdução à API scikit-learn
    • regressão linear e logística
    • máquinas de vetores de suporte (SVM)
    • redes neurais
    • florestas aleatórias
  • Configuração de um pipeline completo de aprendizado supervisionado usando o scikit-learn
    • trabalho com arquivos de dados
    • imputação de valores ausentes
    • tratamento de variáveis categóricas
    • visualização de dados

Frameworks Python para aplicações de IA:

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

Arquiteturas avançadas de redes neurais

  • redes neurais convolucionais para análise de imagens
  • redes neurais recorrentes para dados com estrutura temporal
  • células de memória de longo prazo (LSTM)

Aprendizado não supervisionado: agrupamento, detecção de anomalias

  • implementação de análise de componentes principais com 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 complexo de padrões
  • processamento de linguagem natural
  • sistemas de recomendação

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

  • overfitting
  • compromisso entre viés e variância
  • vieses nos dados observacionais
  • envenenamento de redes neurais

Trabalho em projetos aplicados (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