A Introdução de IA e Aprendizado de Máquina com Python

Aprenda Ciência de Dados, Aprendizado de Máquina (Inteligência Artificial), Aprendizado Profundo e mais a partir dos conceitos básicos!

Aprofunde-se no conceito de Inteligência Artificial e Aprendizado de Máquina (ML) e aprenda como implementar algoritmos avançados para resolver problemas do mundo real. Este curso irá ensinar o fluxo de trabalho de projetos de ML, desde o pré-processamento de dados até o design e teste de modelos avançados. Ao final do curso, os alunos serão capazes de:

Construir uma variedade de sistemas e modelos de IA.

Determinar o framework no qual a IA pode funcionar, incluindo interações com usuários e ambientes.

Extrair informações automaticamente de texto usando conceitos e métodos de processamento de linguagem natural (NLP).

Implementar modelos de aprendizado profundo em Python usando TensorFlow e Keras e treiná-los com conjuntos de dados do mundo real.

Esboço detalhado do curso:

Introdução à IA

- Introdução à IA e Aprendizado de Máquina. - Visão geral dos campos da IA: - Visão Computacional. - Processamento de Linguagem Natural (NLP). - Sistemas de Recomendação. - Robótica. - Projeto: Criação de um Chatbot usando programação tradicional (revisão de Python).

Compreendendo a IA

- Compreendendo como a IA funciona. - Visão geral do Aprendizado de Máquina e Aprendizado Profundo. - Fluxo de trabalho de projetos de IA. - Diferenciando argumentos vs parâmetros. - Projeto: Implementação de funções usando programação em Python (revisão de Python).

Introdução à Ciência de Dados

- Introdução à Ciência de Dados. - Tipos de Dados. - Visão geral do DataFrame. - Projeto: Manipulação de DataFrame usando programação em Python, aprendendo várias tarefas, incluindo: - Importação de Conjunto de Dados. - Exploração de Dados. - Visualização de Dados. - Limpeza de Dados.

Aprendizado de Máquina

- Visão geral dos Algoritmos de Aprendizado de Máquina com exemplos. - Tipos de Aprendizado de Máquina: - Supervisionado. - Não supervisionado. - Reforço. - Tipos de Aprendizado Supervisionado: - Classificação. - Regressão. - Projeto: Treinar e implantar um modelo de aprendizado de máquina para prever o salário de futuros candidatos usando programação em Python.

Aprendizado Supervisionado - Regressão

- Compreensão do Boxplot e características da função Boxplot. - Compreensão dos Dados de Treinamento e Teste com a função train_test_split. - Projeto: Criar um modelo de aprendizado de máquina para resolver um problema de regressão, prevendo o peso por meio de dados de treinamento e teste usando programação em Python.

Aprendizado Supervisionado - Classificação Binária

- Compreensão de problemas de Classificação Binária. - Visão geral do Algoritmo de Árvore de Decisão. - Visão geral do Algoritmo de Floresta Aleatória. - Uso da Matriz de Confusão para verificar o desempenho do modelo de classificação. - Projeto: Implementar os algoritmos de Árvore de Decisão e Floresta Aleatória usando programação em Python para treinar um modelo de classificação para prever pacientes diabéticos e usar a matriz de confusão para verificar o desempenho de ambos os algoritmos.

Aprendizado Supervisionado - Classificação Multiclasse

- Compreensão de problemas de Classificação Multiclasse. - Método Um-contra-Um. - Método Um-contra-Muitos. - Projeto: Implementar o algoritmo de Regressão Logística com abordagem Um-contra-Um e Um-contra-Restante para resolver um problema de classificação multiclasse de previsão de flores Iris. Além disso, avaliar o desempenho de ambas as abordagens usando a matriz de confusão.

Aprendizado Não Supervisionado - Agrupamento

- Compreensão do Aprendizado Não Supervisionado. - Uso do Aprendizado Não Supervisionado. - Tipos de Aprendizado Não Supervisionado: - Agrupamento. - Associação. - Funcionamento do Algoritmo KMeans. - Uso do método Elbow para determinar o valor de K. - Projeto: Padronizar os dados e implementar o algoritmo KMeans para formar grupos no conjunto de dados usando programação em Python.

Aprendizado Não Supervisionado - Segmentação de Clientes

- Compreensão da Segmentação de Clientes. - Tipos de características usadas para segmentação. - Conceito de Segmentação. - Projeto: Implementar o algoritmo KMeans para segmentar clientes em diferentes grupos e analisar os grupos para encontrar os clientes-alvo apropriados.

Aprendizado Não Supervisionado - Mineração de Regras de Associação

- Compreensão de problemas de Associação. - Análise de Cesta de Compras. - Funcionamento do Algoritmo Apriori. - Métricas-chave para avaliar regras de associação: - Suporte. - Confiança. - Lift. - Etapas envolvidas na busca de Regras de Associação. - Projeto: Implementar o algoritmo Apriori para gerar regras de associação para Análise de Cesta de Compras usando programação em Python.

Sistema de Recomendação - Baseado em Conteúdo

- Compreensão de Sistemas de Recomendação. - Funcionamento de Sistemas de Recomendação. - Tipos de Sistemas de Recomendação: - Baseado em Conteúdo. - Colaborativo. - Projeto: Construir um sistema de recomendação baseado em conteúdo usando o algoritmo K Vizinhos Mais Próximos (KNN) para recomendar um carro ao cliente com base em suas preferências de características de carro.

Sistema de Recomendação - Filtragem Colaborativa

- Compreensão da técnica de Filtragem Colaborativa. - Tipos de abordagens na filtragem colaborativa: - Baseada em Usuário. - Baseada em Item. - Projeto: Construir um sistema de recomendação de filmes usando filtragem colaborativa baseada em item com base em dados de uma matriz de classificação de filmes.

Processamento de Linguagem Natural - Análise de Sentimento

- Processamento de Linguagem Natural (NLP). - Aplicações de NLP. - Tarefas fundamentais de NLP. - Tokenização. - Projeto: Criar um modelo de aprendizado de máquina que possa prever o sentimento em uma frase (Aplicação de NLP).

Aprendizado Profundo - Visão Computacional

- Compreensão do Aprendizado Profundo. - Redes Neurais e Redes Neurais Profundas. - Processamento de Imagens. - Projeto: Um modelo de rede neural é criado para fins de reconhecimento de imagem, para prever o dígito escrito em imagens de dígitos escritos à mão.

Classificação de Imagens - Aula Bônus

- Aprenda sobre modelos pré-treinados. - Modelo ResNet50 treinado usando dados do ImageNet. - Projeto: Usar o modelo ResNet50 para classificar imagens (prever o que a imagem representa).

O que você vai aprender

- Definir e entender o significado de IA e aprendizado de máquina e explorar suas aplicações. - Manipular Data Frames aprendendo várias tarefas, incluindo (exploração, visualização e limpeza de dados). - Compreender e criar vários algoritmos de Aprendizado Supervisionado. - Compreender e criar vários algoritmos de Aprendizado Não Supervisionado. - Compreender e construir sistemas de recomendação. - Compreender e criar sistemas de PNL (Processamento de Linguagem Natural). - Definir e entender Aprendizado Profundo em visão computacional.