Curso de Fundamentos de Inteligência Artificial (IA) e Aprendizado de Máquina

Introdução ao Aprendizado de Máquina Aplicado

• Aprendizado estatístico vs. Aprendizado de máquina
• Iteração e avaliação
• Compromisso entre viés e variância (Bias-Variance trade-off)
• Aprendizado Supervisionado vs. Não Supervisionado
• Problemas resolvidos com Aprendizado de Máquina
• Treinamento, Validação, Teste – Fluxo de trabalho de ML para evitar overfitting
• Fluxo de trabalho do Aprendizado de Máquina
• Algoritmos de aprendizado de máquina
• Escolha do algoritmo apropriado para o problema

Avaliação de Algoritmos

• Avaliação de previsões numéricas
  • Medidas de precisão: ME, MSE, RMSE, MAPE
  • Estabilidade de parâmetros e previsões
• Avaliação de algoritmos de classificação
  • Precisão e seus problemas
  • Matriz de confusão
  • Problema de classes desbalanceadas
• Visualização do desempenho do modelo
  • Curva de lucro
  • Curva ROC
  • Curva de lift
• Seleção de modelos
• Ajuste de modelos (Model tuning) – Estratégias de busca em grade (grid search)

Preparação de Dados para Modelagem

• Importação e armazenamento de dados
• Compreensão dos dados – Exploração básica
• Manipulação de dados com a biblioteca pandas
• Transformações de dados – Tratamento de dados (Data wrangling)
• Análise exploratória
• Observações faltantes – Detecção e soluções
• Outliers – Detecção e estratégias
• Padronização, normalização, binarização
• Recodificação de dados qualitativos

Algoritmos de aprendizado de máquina para detecção de outliers

• Algoritmos supervisionados
  • KNN
  • Ensemble Gradient Boosting
  • SVM
• Algoritmos não supervisionados
  • Baseados em distância
  • Métodos baseados em densidade
  • Métodos probabilísticos
  • Métodos baseados em modelos

Compreendendo o Aprendizado Profundo

• Visão geral dos Conceitos Básicos do Aprendizado Profundo
• Diferenciando Aprendizado de Máquina e Aprendizado Profundo
• Visão geral de Aplicações para Aprendizado Profundo

Visão Geral de Redes Neurais

• O que são Redes Neurais
• Redes Neurais vs. Modelos de Regressão
• Compreensão das Fundações Matemáticas e Mecanismos de Aprendizado
• Construindo uma Rede Neural Artificial
• Compreendendo Nós e Conexões Neurais
• Trabalhando com Neurônios, Camadas e Dados de Entrada e Saída
• Compreendendo Perceptrons de Camada Única
• Diferenças entre Aprendizado Supervisionado e Não Supervisionado
• Aprendendo Redes Neurais Feedforward e Feedback
• Compreendendo Propagação Direta e Propagação para Trás (Backpropagation)

Construindo Modelos Simples de Aprendizado Profundo com Keras

• Criando um Modelo Keras
• Compreendendo Seus Dados
• Especificando Seu Modelo de Aprendizado Profundo
• Compilando Seu Modelo
• Ajustando (Fitting) Seu Modelo
• Trabalhando com Seus Dados de Classificação
• Trabalhando com Modelos de Classificação
• Usando Seus Modelos

Trabalhando com TensorFlow para Aprendizado Profundo

• Preparando os Dados
  • Baixando os Dados
  • Preparando Dados de Treinamento
  • Preparando Dados de Teste
  • Escala dos Entradas
  • Usando Placeholders e Variáveis
• Especificando a Arquitetura da Rede
• Usando a Função de Custo
• Usando o Otimizador
• Usando Inicializadores
• Ajustando a Rede Neural
• Construindo o Grafo
  • Inferência
  • Perda (Loss)
  • Treinamento
• Treinando o Modelo
  • O Grafo
  • A Sessão
  • Loop de Treinamento
• Avaliando o Modelo
  • Construindo o Grafo de Avaliação
  • Avaliando com Saída de Avaliação
• Treinando Modelos em Escala
• Visualizando e Avaliando Modelos com TensorBoard

Aplicação do Aprendizado Profundo na Detecção de Anomalias

• Autoencoder
  • Arquitetura Codificador - Decodificador
  • Perda de reconstrução
• Variational Autoencoder
  • Inferência variacional
• Rede Adversarial Generativa (GAN)
  • Arquitetura Gerador – Discriminador
  • Abordagens para AN (Anomaly Detection) usando GAN

Frameworks Ensemble

• Combinando resultados de diferentes métodos
• Bootstrap Aggregating
• Média do score de outliers