Machine Learning & IA Bootcamp

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

Perguntas Frequentes