Venha entender os princípios de design e as aplicações da IA em vários setores. O objetivo é que você crie uma abordagens de produto baseada em IA, que pode ser apresentada aos seus stakeholders internos ou investidores. Você aprenderá os vários estágios envolvidos no design de produtos baseados em IA juntamente com os algoritmos de aprendizado de máquina, e aplicará os insights para resolver problemas práticos.
Saiba como a implantação das tecnologias de IA certas em sua organização pode ajudá-lo a automatizar tarefas rotineiras, obter insights por meio da análise de dados e interagir melhor com os clientes.
Dado o amplo espectro de aplicações da IA nas organizações, não é surpresa que o Especialista em Machine Learning seja um dos cargos mais bem avaliado no relatório de empregos do LinkedIn desde 2020. Com uma taxa de crescimento anual superior a 70% para esta posição, todos os setores estão procurando por talentos de Machine Learning.
Venha conhecer os recursos de Inteligência Artificial e capacidade para implementar outras estruturas computacionais de modo 100% EaD e assíncrono.
O curso foi desenvolvido com metodologia Hands On - "mão na massa" ou "aprender fazendo".
É totalmente prático, com teoria complementar e tópicos que, durante todo processo de ensino, os alunos são desafiados em uma série de cenários cada vez mais complexos, uma intensa experiência imersiva em linguagem de programação (python) extremamente aplicável a situações do mundo real.
Desenvolva-se no mundo da Inteligência Artificial com a Formação Aprendizado de Máquina (Machine Learning).
Vem conosco e entre em modo IA-Labs.
Imediato após a confirmação do pagamento
Do Iniciante ao Avançado
400 horas
100% EaD (online), formato autoinstrucional
Acesso por 12 meses após a matrícula
Aproveitamento mínimo de 60% para certificação
O curso abrange diversos tópicos essenciais para Machine Learning:
Introdução à Ciência de Dados - Uso de vetores, matrizes e dicionários:
Criar vetores ou matrizes
Criar matrizes esparsas
Redimensionar array "Numpy"
Converter dicionários em matrizes
Inverter matriz ou "nArray"
Calcular diagonal da matriz
Calcular determinante de uma matriz
Transformar matriz em vetor
Calcular: média, desvio padrão e variância
Encontrar classificação de uma matriz (rank)
Máximos e mínimos de uma matriz
Adicionar valor numérico a um elemento de matriz
Calcular produto de dois (02) vetores
Adicionar, subtrair, multiplicar e dividir – valor numérico para cada elemento da matriz
Adicionar e subtrair entre duas (02) matrizes
Ler características de um dicionario
Pré-Processamento de Dados - Representação e a qualidade dos dados:
Carregar e trabalhar dados via sklearn (dataset Boston)
Criar dados simulados para regressão
Criar dados simulados para classificação
Criar dados simulados para armazenamento em cluster
Preparar um fluxo de trabalho de aprendizado de máquina
Converter recursos (características) categóricos em recursos numéricos
Imputar rótulos de classes ausentes
Imputar rótulos de classes ausentes usando método "vizinho próximo"
Excluir instâncias com valores ausentes
Como fazer operações numéricas
Como encontrar outliers
Codificar recursos categóricos ordinais
Lidar com classes de desequilíbrio com redução da resolução
Como lidar com classes de desbalanceadas
Como lidar com outliers
Imputar valores ausentes com médias
Codificação com vários rótulos
Codificação com recursos nominais categóricos
Processar recursos categóricos
Redimensionar recursos
Padronizar recursos
Padronizar dados "IRIS"
Dividir dados DateTime ("features") para criar vários recursos
Calcular a diferença entre datas
Codificar os dias da semana
Tratar valores ausentes em uma série temporal
Como introduzir o tempo "LAG" (lagged time-series)
Como lidar com "Janelas de Tempo"
Selecionar DateTime dentro de um intervalo
Selecionar DateTime [formato (PM) ou (AM)] dentro de um intervalo
Como trabalhar itens em uma lista
Análise de Dados:
Análise de Componentes Principais (PCA)
Análise da Variância (ANOVA)
Curva Característica de Operação do Receptor (Curva ROC)
Trabalhar os Hiperparâmetros
Descrever a relação entre uma variável Y e uma X
Uso da biblioteca “Seaborn”
Classificação, Clusterização e Regressão:
Criar e otimizar modelo para regressão e classificação
Utilizar "Nearest Neighbours" para regressão e classificação
Fazer agrupamento aglomerativo (Agglomerative Clustering)
Fazer clusterização com o "Kmeans"
Fazer clusterização baseado em afinidade
Utilizar "DBSCAN Clustering"
Utilizar a abordagem do deslocamento médio (MinShift)
Utilizar a arvore de classificação e regressão
Utilizar algoritmo de aprendizado de máquina "AdaBoost"
Utilizar algoritmo de aprendizado de máquina "RandomForest"
Utilizar algoritmo de aprendizado de máquina "GradientBoosting"
Utilizar classificador e regressor multicamadas – "MLP - Multi Layer Perceptron"
Utilizar classificador e regressor de reforço gradual "XgBoost"
Utilizar classificador e regressor "CatBoost"
Utilizar classificador e regressor "LightGBM"
Utilizar classificador e regressor "SVM"
Classificar com modelos lineares – "Multiclass Classification"
Classificar com modelos lineares – "Naive Bayes"
Classificar com modelos lineares – "Nearest Neighbors"
Classificar com modelos lineares – "LDA e QDA"
Classificar com modelos lineares – "Tree Model"
Classificar com modelos lineares – "Ensemble Bagging Model"
Classificar com modelos lineares – "Ensemble Boosting Model"
Utilizar métrica de classificação e regressão
Comparar algoritmos de classificação
Implementar "Ensemble Model"
Salvar modelos treinados
Avaliar modelos com curvas de aprendizagem
Paralelizar execução e validação cruzada no "XGBoost"
Otimizar número de árvores no “XGBoost”
Visualização de Dados:
Autocorrelação (ACF) e Autocorrelação Parcial (PACF)
Pizza com destacamento
Plotagem de textos
Divergências de escala
Densidade
Series temporais múltiplas com escalas
Boxplot
Correlograma – "Correllogram"
Curvas de densidade – "Cross Correlation"
Decomposição de serie temporal
Dispersão com linha de regressão linear de melhor ajuste
Área
Barras
Bolha – "Bubble"
Cascata- "Waterfall"
Lotes em par – "Pairwise"
Histograma empilhado
Variáveis continuas (Histograma)
Histogramas marginais – "Marginal Boxplot"
Quadro de marcadores – "Lollipop"
Piramide populacional
Diagramas de dispersão – "Scatter"
Anotações de picos e vales em series temporais
Cilindros – "Cylinder"
Feixes sólidos – "Joy"
Dado sazonal
Projetos práticos (casos de uso) do nível iniciante ao avançado:
Ecossistema de Aprendizagem de Máquina (ML)
Manipulação de dados - Pandas
Arranjos multidimensionais - NumPy
Criação de gráficos e visualizações de dados com Matplotlib
Estatística descritiva - Entendendo os dados
Preparação de dados
Seleção de Características (RFE - Recursive Feature Elimination)
Reamostragem - Validacao Cruzada
Métricas de Desempenho (performance)
Algoritmos de Classificação - DecisionTree, RandonForest, ExtraTrees
Algoritmos de Regressão
Modelos Generalizados
Análise Discriminante Linear e Quadrática
Máquina de Vetor de Suporte
Árvore de Decisão
Naive Bayes
Comparando algoritmos de Aprendizagem de Máquina
Fluxos de trabalho (workflows) com "pipelines" (processo contínuo)
Uso de "Ensembles" (conjunto de algoritmos)
Uso de "Bagging Ensembles"
Uso de "Boosting" - técnica Ensemble
Uso de "Voting Ensembles"
Ajuste de "Hiper Parâmetros" - Tuning
Anásile comparativa sobre ANNs, Bagging e Boosting
Como "Salvar" e/ou "Carregar" Modelos de Aprendizagem de Máquina
Projeto Final:
Carregar as Bibliotecas de trabalho (todas que se fizerem necessárias)
Carregar os conjuntos de dados com sua biblioteca de preferência
Sumarizar os dados carregados para compreender o conjunto das informações
Visualizar os dados para compreender o conjunto das informações
Preprocessar os dados, aplicar limpeza e transformação
Utilizar um algoritmo de aprendizado ao conjunto de dados de treino
Finalizar o modelo treinado e fazer a previsão
Conhecimentos em linguagem de programação python.
Iniciantes em programação, estudantes ou profissionais de tecnologia, como também todos os profissionais que tenham interesse nas trilhas de Inteligencia Artificial, na área do Aprendizagem de máquina (Machine Learning), Aprendizagem Profunda (Deep Learning), Processamento de Linguagem Natural (NLP), Mineração de Texto (ou suas subdivisões: Text Mining, Text Processing, Text Analytics).
Horário flexível de estudo de acordo com sua disponibilidade
Material didático disponibilizado na plataforma (conteúdo apostilado, vídeos e ilustrações)
Acesso ao Portal IA-Labs após a matrícula
Para concluir: estudo do material e questionário base "Quizz" com desempenho mínimo de 60%
Certificado enviado por e-mail em até 5 dias após a conclusão
A tecnologia de aprendizagem de máquina é considerada um subcampo da Inteligência Artificial, que trabalha com a ideia de que as máquinas podem aprender sozinhas ao terem acesso a grandes volumes de dados. A definição mais simples é que as máquinas podem detectar padrões e criar conexões entre dados, e algoritmos sofisticados, para aprenderem sozinhas a executar uma tarefa.
Basicamente, os algoritmos utilizam análises estatísticas aprimoradas sobre os dados que recebem, resultando em respostas e previsões mais precisas. O Machine Learning permite que as aplicações de software se tornem mais "inteligentes" e preditivas, sem que seja necessário programá-las com frequência para que elas "aprendam".
O interesse no aprendizado de máquina se deve aos mesmos fatores que tornaram a mineração de dados mais popular do que nunca: coisas como os crescentes volume e variedade de dados disponíveis, o processamento computacional mais barato e poderoso, o armazenamento de dados acessível etc. Tudo isso significa que é possível produzir, rápida e automaticamente, modelos capazes de analisar dados maiores e mais complexos, e entregar resultados mais rápidos e precisos – mesmo em grande escala. E ao construir modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas – ou de evitar riscos desconhecidos.
Eis alguns exemplos de aplicações de machine learning, que você já deve ter ouvido falar:
Os carros autônomos do Google? A essência do machine learning.
Ofertas recomendadas pela Amazon ou Netflix? Aplicações de machine learning para o dia-a-dia.
Saber o que seus clientes estão falando de você no Twitter? Machine learning combinado com criação de regras linguísticas.
Detecção de fraudes e risco financeiro? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.