Entrar em Contato

Programa do Curso

Aprendizado supervisionado: classificação e regressão

  • Machine Learning em Python: introdução à API scikit-learn
    • regressão linear e logística
    • máquina de vetores de suporte (SVM)
    • redes neurais
    • random forest
  • Criando um pipeline de aprendizado supervisionado de ponta a ponta usando scikit-learn
    • trabalhando com arquivos de dados
    • imputação de valores ausentes
    • tratamento de variáveis categóricas
    • visualização de dados

Frameworks em 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 em tempo
  • célula de memória de curto e longo prazo (LSTM)

Aprendizado não supervisionado: agrupamento, detecção de anomalias

  • implementando análise de componentes principais (PCA) com scikit-learn
  • implementando 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

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

  • overfitting (ajuste excessivo)
  • compromisso entre viés e variância
  • viés em 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