Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao Aprendizado de Máquina Aplicado
- Aprendizado estatístico vs. Aprendizado de máquina
- Iteração e avaliação
- Compromisso entre vieses e variância (Bias-Variance trade-off)
- Aprendizado supervisionado vs. Não supervisionado
- Problemas resolvidos com aprendizado de máquina
- Treinamento, validação e teste – fluxo de trabalho do ML para evitar o overfitting
- Fluxo de trabalho do Aprendizado de Máquina
- Algoritmos de aprendizado de máquina
- Escolha do algoritmo apropriado para o problema
Avaliação de Algoritmos
-
Avaliando previsões numéricas
- Medidas de precisão: ME, MSE, RMSE, MAPE
- Estabilidade dos parâmetros e das previsões
-
Avaliando algoritmos de classificação
- Acurácia e seus problemas
- Matriz de confusão (confusion matrix)
- Problema das classes desbalanceadas (unbalanced classes problem)
-
Visualizando o desempenho do modelo
- Curva de lucro (profit curve)
- Curva ROC (Receiver Operating Characteristic)
- Curva Lift (Lift curve)
- Seleção de modelo
- Ajuste de modelo – estratégias de busca em grade (grid search strategies)
Preparação de Dados para Modelagem
- Importação e armazenamento de dados
- Entendendo os dados – explorações básicas
- Manipulação de dados com a biblioteca pandas
- Transformações de dados – tratamento de dados (data wrangling)
- Análise exploratória
- Observações ausentes – detecção e soluções
- Outliers – detecção e estratégias
- Padronização, normalização, binarização (standarization, normalization, binarization)
- Recodificação de dados qualitativos (qualitative data recoding)
Algoritmos de Aprendizado de Máquina para Detecção de Outliers
-
Algoritmos supervisionados
- KNN (K-Nearest Neighbors)
- Ensemble Gradient Boosting (Gradiente de Aumento em Conjunto)
- SVM (Support Vector Machine)
-
Algoritmos não supervisionados
- Baseado em distância (distance-based)
- Métodos baseados em densidade (density based methods)
- Métodos probabilísticos (probabilistic methods)
- Métodos baseados em modelo (model based methods)
Entendendo Aprendizado Profundo (Deep Learning)
- Visão geral dos conceitos básicos do aprendizado profundo
- Diferenças entre aprendizado de máquina e aprendizado profundo
- Visão geral das aplicações do aprendizado profundo
Visão Geral de Redes Neurais (Neural Networks)
- O que são redes neurais?
- Redes neurais vs. Modelos de regressão
- Entendendo os fundamentos matemáticos e mecanismos de aprendizado
- Construindo uma rede neural artificial (artificial neural network)
- Entendendo nós neurais e conexões (neural nodes and connections)
- Trabalhando com neurônios, camadas e dados de entrada e saída (input and output data)
- Entendendo perceptrons de uma única camada (single layer perceptrons)
- Diferenças entre aprendizado supervisionado e não supervisionado (supervised and unsupervised learning)
- Aprendendo redes neurais feedforward e feedback (feedforward and feedback neural networks)
- Entendendo propagação direta e retropropagação (forward propagation and back propagation)
Construindo Modelos Simples de Aprendizado Profundo com Keras
- Criando um modelo Keras (Creating a Keras Model)
- Entendendo seus dados (Understanding Your Data)
- Especificando seu modelo de aprendizado profundo (Specifying Your Deep Learning Model)
- Compilando seu modelo (Compiling Your Model)
- Ajustando seu modelo (Fitting Your Model)
- Trabalhando com seus dados de classificação (Working with Your Classification Data)
- Trabalhando com modelos de classificação (Working with Classification Models)
- Usando seus modelos (Using Your Models)
Trabalhando com TensorFlow para Aprendizado Profundo
-
Preparando os dados (Preparing the Data)
- Baixando os dados (Downloading the Data)
- Preparando os dados de treinamento (Preparing Training Data)
- Preparando os dados de teste (Preparing Test Data)
- Escalando as entradas (Scaling Inputs)
- Usando placeholders e variáveis (Using Placeholders and Variables)
- Especificando a arquitetura da rede (Specifying the Network Architecture)
- Usando a função de custo (Using the Cost Function)
- Usando o otimizador (Using the Optimizer)
- Usando os inicializadores (Using Initializers)
- Ajustando a rede neural (Fitting the Neural Network)
-
Construindo o grafo (Building the Graph)
- Inferência (Inference)
- Perda (Loss)
- Treinamento (Training)
-
Treinando o modelo (Training the Model)
- O grafo (The Graph)
- A sessão (The Session)
- Loop de treinamento (Train Loop)
-
Avaliando o modelo (Evaluating the Model)
- Construindo o grafo de avaliação (Building the Eval Graph)
- Avaliando com a saída de avaliação (Evaluating with Eval Output)
- Treinando modelos em escala (Training Models at Scale)
- Visualizando e avaliando modelos com TensorBoard (Visualizing and Evaluating Models with TensorBoard)
Aplicação do Aprendizado Profundo na Detecção de Anomalias (Anomaly Detection)
-
Autoencoder (Autoencoder)
- Arquitetura codificador-decodificador (Encoder - Decoder Architecture)
- Perda de reconstrução (Reconstruction loss)
-
Autoencoder Variacional (Variational Autencoder)
- Inferência variacional (Variational inference)
-
Rede Neural Adversarial Geradora (Generative Adversarial Network)
- Arquitetura gerador-discriminador (Generator – Discriminator architecture)
- Abordagens à AN usando GAN (Approaches to AN using GAN)
Frameworks de Ensemble (Ensemble Frameworks)
- Combinando resultados de diferentes métodos (Combining results from different methods)
- Agregação bootstrap (Bootstrap Aggregating)
- Média da pontuação de outliers (Averaging outlier score)
Requisitos
- Experiência com programação em Python
- Conhecimento básico de estatística e conceitos matemáticos
Público-Alvo
- Desenvolvedores
- Cientistas de dados
28 Horas
Declaração de Clientes (5)
A formação proporcionou uma visão geral interessante dos modelos de aprendizagem profunda e dos métodos relacionados. O tópico era bastante novo para mim, mas agora sinto que tenho uma ideia do que a IA e o ML podem envolver, em que consistem estes termos e como podem ser utilizados de forma vantajosa. Em geral, gostei da abordagem de começar com os antecedentes estatísticos e os modelos básicos de aprendizagem, como a regressão linear, enfatizando especialmente os exercícios intermédios.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Máquina Traduzida
A Anna estava sempre a perguntar se havia dúvidas e tentou sempre tornar-nos mais activos colocando questões, o que fez com que todos nós estivéssemos realmente envolvidos na formação.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Máquina Traduzida
Gostei da forma como se misturou com as práticas.
Bertan - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Máquina Traduzida
A vasta experiência / conhecimento do formador
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Máquina Traduzida
a VM é uma boa ideia
Vincent - REGNOLOGY ROMANIA S.R.L.
Curso - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Máquina Traduzida
