Programa do Curso
Introdução
- Visão geral do reconhecimento de padrões e do aprendizado de máquina
- Principais aplicações em diversas áreas
- Importância do reconhecimento de padrões na tecnologia moderna
Teoria da Probabilidade, Seleção de Modelos, Decisão e Teoria da Informação
- Fundamentos da teoria da probabilidade no reconhecimento de padrões
- Conceitos de seleção e avaliação de modelos
- Teoria da decisão e suas aplicações
- Fundamentos da teoria da informação
Distribuições de Probabilidade
- Visão geral das principais distribuições de probabilidade
- Papel das distribuições na modelagem de dados
- Aplicações no reconhecimento de padrões
Modelos Lineares para Regressão e Classificação
- Introdução à regressão linear
- Compreensão da classificação linear
- Aplicações e limitações dos modelos lineares
Redes Neurais
- Fundamentos das redes neurais e do aprendizado profundo
- Treinamento de redes neurais para reconhecimento de padrões
- Exemplos práticos e estudos de caso
Métodos de Kernels
- Introdução aos métodos de kernels no reconhecimento de padrões
- Máquinas de Vetores de Suporte (SVM) e outros modelos baseados em kernels
- Aplicações em dados de alta dimensionalidade
Máquinas de Kernels Esparsos
- Compreensão de modelos esparsos no reconhecimento de padrões
- Técnicas de esparsidade e regularização de modelos
- Aplicações práticas na análise de dados
Modelos Gráficos
- Visão geral dos modelos gráficos no aprendizado de máquina
- Redes Bayesianas e campos aleatórios de Markov
- Inferência e aprendizado em modelos gráficos
Modelos de Mistura e EM (Expectation-Maximization)
- Introdução aos modelos de mistura
- Algoritmo Expectation-Maximization (EM)
- Aplicações em agrupamento e estimação de densidade
Inferência Aproximada
- Técnicas para inferência aproximada em modelos complexos
- Métodos variacionais e amostragem de Monte Carlo
- Aplicações na análise de dados em grande escala
Métodos de Amostragem
- Importância da amostragem em modelos probabilísticos
- Técnicas de Cadeia de Markov de Monte Carlo (MCMC)
- Aplicações no reconhecimento de padrões
Variáveis Latentes Contínuas
- Compreensão dos modelos de variáveis latentes contínuas
- Aplicações na redução de dimensionalidade e representação de dados
- Exemplos práticos e estudos de caso
Dados Sequenciais
- Introdução à modelagem de dados sequenciais
- Modelos de Markov Ocultos e técnicas relacionadas
- Aplicações na análise de séries temporais e reconhecimento de fala
Combinando Modelos
- Técnicas para combinar múltiplos modelos
- Métodos de ensemble e boosting
- Aplicações no aumento da precisão dos modelos
Resumo e Próximos Passos
Requisitos
- Compreensão de estatística
- Conhecimento prévio de cálculo multivariável e álgebra linear básica
- Experiência com probabilidade
Público-alvo
- Analistas de dados
- Estudantes de doutorado, pesquisadores e profissionais da área
Testemunhos de Clientes (3)
Gostei muito do final, quando tivemos tempo para brincar com o CHAT GPT. O ambiente não estava configurado da melhor maneira para isso - em vez de uma grande mesa, algumas mesas menores teriam ajudado a formar grupos pequenos e favorecido a brainstorming.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Máquina Traduzida
Trabalhando a partir de princípios fundamentais de forma focada e avançando para a aplicação de estudos de caso no mesmo dia
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Máquina Traduzida
Que estava aplicando dados reais de uma empresa. O instrutor teve uma abordagem muito boa, fazendo com que os participantes se envolvessem e competissem.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Máquina Traduzida
