Sobre o curso

O curso de Machine Learning & IA apresenta uma visão mais focado nas diversas usabilidades de Machine Learning e Inteligência Artificial. Para isto ao longo do curso são vistos os principais algoritmos de ML e sua aplicação, quais os tipos de redes neurais e como aplicar. Percorrendo também o processamento de linguagem natural que possibilita aprender a trabalhar com textos utilizando IA. Com muitas partes praticas, por exemplo com o Twitter, que é uma das melhores formas de exercer com dados reais. Por fim teremos o uso de IA para análise de imagem e áudio, também com aplicação prática de ambos. Sobre a pratica de análise de imagem, por exemplo, atuarão com análises de RX.

Público Alvo

Profissionais e estudantes de todas as áreas que queiram conhecer Machine Learning & IA e descobrir como melhorar e otimizar a análise dos dados. Também apresentando como trabalhar com imagens e texto.

 

Salário

Um Machine Learning Engineer R$ 6.500/mês à R$ 14.673/mês indo até à R$ 16.981/mês em algumas startups como Nubank, por exemplo.

Conteúdo programático

  • Módulo 1 - Machine Learning I
    • Introdução
    • - Introdução ao curso
    • - Início da Revisão de Python (ferramentas básicas, sintaxe, exemplos, bibliotecas básicas: pandas, numpy, matplotlib)
    • - Etapas de um projeto de Machine Learning/Deep Learning
    • Revisão Python e Estatística
    • - Revisão Python (apresentação de outras bibliotecas: sklearn, kernel, tensorflow, etc)
    • - Revisão Estatística/Matemática:
    • - Estatística descritiva vs. Inferência estatística
    • - Amostragem
    • - Métricas de posição e variabilidade
    • - Boxplot (outliers, como consequência)
    • - Análise univariada
    • - Análise multivariada
    • - Distribuição normal
    • - Intervalos de confiança
    • - Introdução a preparação dos dados
    • Preparo dos dados, contexto e conceitos básicos
    • - Preparação dos dados
    • - Bases de Treino, Teste e Validação
    • - Variável resposta (tipos, exemplos)
    • - Generalização
    • - Overfiting / Underfiting
    • - Gradiente Descendente (apenas uma prévia, será aprofundado nos módulos posteriores)
    • - Ensemble
    • - Validação cruzada
    • Introdução aos Modelos de Regressão
    • - Regressão linear simples e múltipla
    • - Ajuste do modelo
    • - Interpretação de um modelo de regressão
    • - Multicolinearidade
    • - Métricas de avaliação para modelos de regressão (MSE, RMSE, R², MAE, entre outros)
    • - Modelos Lineares Regularizados
    • Introdução aos Modelos de Classificação
    • - Regressão Logística
    • - Matriz de confusão, acurácia, precision, recall/sensibilidade
    • - Demais métricas de avaliação para modelos de classificação (sensibilidade, especificidade, curva ROC, AUC, etc)
    • - Dados desbalanceados
    • - Formas de lidar com dados desbalanceados (oversampling, undersampling)
    • Técnicas de aprendizado de Máquina
    • - KNN (K-vizinhos mais próximos)
    • - Nayve Bayes
    • - Árvore de decisão
    • - Florestas aleatórias
    • Agrupamento
    • - Introdução a agrupamento
    • - K-means
    • - Agrupamento Hierárquico
    • - DBSCAN
    • Sistemas de Recomendação + Redução de dimensionalidade
    • - Sistemas de recomendação
    • - PCA, LDA
    • Técnicas avançadas de aprendizado de Máquina
    • - Support Vector Machine
    • - Adaboost
    • - Gradient Boosting, XGBoost
    • - LightGBM
    • Visualização dos dados
    • - Bibliotecas para visualização de dados (matplotlib, Seaborn)
    • - Ferramentas de visualização
  • Módulo 2 - Inteligência Artificial
    • Inteligência Artificial
    • - Introdução; Principais aplicações de Deep Learning, Tipos de aprendizado
    • - Neurônio Humano vs. Neurônio Artificial
    • - Arquitetura de uma Rede Neural Artificial
    • - Hiperparâmetros das Redes Neurais
    • - Funções de ativação
    • Tipos de Redes Neurais
    • - Redes neurais e perceptron de múltiplas camadas
    • - Otimização dos hiperparâmetros
    • - Backpropagation
    • - Redes Neurais Convolucionais
    • - Estrutura da Rede e Operador de convolução
    • - Operadores max pooling e average pooling
    • - Dropout; Ensemble
    • - Redes Neurais Recorrentes
    • - Estrutura da Rede
    • - Backpropagation Through Time (BPTT)
    • Introdução ao Processamento de Linguagem Natural (PLN)
    • - Introdução; Aplicações e finalidades
    • - Técnicas e algoritmos mais utilizados
    • - Iniciação à análise de textos
    • - Preparação dos dados
    • - Normalização de texto / eliminação de ruídos
    • - Tokenização
    • - Similaridades nas várias unidades linguísticas
    • - Análise sintática formal, estocástica, por dependência e superficial
    • - Reconhecimento de entidade mencionada
    • - Extração de relações
    • - Representação vetorial de sentenças ou documentos
    • Processamento de Linguagem Natural: Texto
    • - Classificação de texto
    • - Análise de sentimento
    • - Representação vetorial do contexto de palavras
    • - Agrupamento
    • - Redução de dimensionalidade
  • Módulo 3 - Visão Computacional
    • Imagens: Conceitos iniciais
    • - Definições básicas
    • - Preparação dos dados
    • - Segmentação, Representação e Descrição
    • - Análise exploratória
    • - Técnicas e algoritmos mais utilizados
    • - O que é visão computacional e processamento de imagens
    • - Bibliotecas para processamento de imagens
    • Imagens: Visão Computacional
    • - Manipulação imagens (mudança de cores, tamanho, inversão, entre outros)
    • - Operações lógicas e aritméticas com imagens
    • - Criando máscaras para imagens
    • - Alterações morfológicas em imagens (erosão, dilatação, opening, closing, gradient)
    • - Detecção de bordas
    • - Reconhecimento de objetos e o problema da escala
    • - Transfer Learning
    • Processamento de Linguagem Natural: Áudio
    • - Características do som e sua percepção
    • - Sinais, amostragem e codificação
    • - Representação espectral
    • - Bancos de filtros
    • - Wavelets
    • - Feições de segmentos de áudio

Pré-requisitos

Conhecimentos de lógica de programação, de análise de dados com Python. Sugerido que o aluno tenha feito o Bootcamp Data Analytics e Data Science. 

Certificação Impacta

Um dos títulos mais respeitados do país, atesta a qualidade e os conhecimentos de profissionais especializados nas mais variadas áreas de TI, Gestão e Design. Ao concluir o curso, você tem 90 dias a contar da data de término do curso para agendar seu exame.
Saiba mais sobre a certificação Impacta

Próximas turmas

Data e horário
Preços e descontos
Nenhuma turma no momento

O que os alunos dizem sobre a Impacta

Ver mais depoimentos