Programa do Curso

Aprendizagem supervisionada: classificação e regressão

    Aprendizado de máquina em Python: introdução à API scikit-learn suporte à regressão linear e logística vetor máquina redes neurais floresta aleatória
Configurando um pipeline de aprendizado supervisionado de ponta a ponta usando scikit-learn trabalhando com arquivos de dados
  • imputação de valores faltantes
  • manipulação de variáveis categóricas
  • visualizando dados
  • Python estruturas para aplicações de IA:
  • TensorFlow, Theano, Caffe e Keras AI em escala com Apache Spark: Mlib

      Arquiteturas de redes neurais avançadas

    redes neurais convolucionais para análise de imagens redes neurais recorrentes para dados estruturados no tempo a célula de memória de longo curto prazo

      Aprendizagem não supervisionada: clustering, detecção de anomalias

    implementando análise de componentes principais com scikit-learn implementando autoencoders em 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, sistemas de recomendação de processamento de linguagem natural de reconhecimento de padrões complexos

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

    vieses de compensação de viés / variância de sobreajuste no envenenamento de redes neurais de dados observacionais

      Trabalho de projeto aplicado (opcional)

    Requisitos

    Não são necessários requisitos específicos para frequentar este curso.

     28 horas

    Declaração de Clientes (2)

    Categorias Relacionadas