Formacao Engenheiro de Machine Learning O Curso Completo

Aprenda Mahine Learning e Deep Learning com TensorFlow, PyTorch, Theano, Keras, Scikit-learn e muito mais!
Formacao Engenheiro de Machine Learning O Curso Completo
File Size :
5.43 GB
Total length :
16h 47m

Category

Instructor

Fernando Amaral

Language

Last update

Última atualização em 5/2022

Ratings

4.8/5

Formacao Engenheiro de Machine Learning O Curso Completo

What you’ll learn

Aprenda os fundamentos de Artificial Neural Networks
Domine Visão Computacional com Convolutional Neural Networks
Preveja Séries Temporais com Recurrent Neural Networks
Aprenda Detecção de Características com Self-Organizing Maps
Conheça como Criar Sistemas de Recomendação com Boltzmann Machines
Domine mais técnicas de recomendação com AutoEncoders
Simule uma competição do Kaggle!

Formacao Engenheiro de Machine Learning O Curso Completo

Requirements

Conhecimentos em Lógica de Programação

Description

Bem vindo ao mais completo e acessível curso para você se especializar em Machine Learning e Deep Learning com Python!Inteligência Artificial é uma área em crescimento exponencial. Mas quanto mais a Inteligência Artificial avança, mais complexos são os problemas a serem resolvidos. E Deep Learning é área mais poderosa da Inteligência Artificial, e por isso ela é sem dúvida a mais importante disciplina neste campo de pesquisa. Neste curso você terá acesso a:Estrutura Robusta e OrganizadaTutorais intuitivosProjetos práticos FantásticosSuporte pelo instrutorO que vamos usar? As ferramentas mais importantes do mundo da Inteligência Artificial, entre elas:TensorFlow: O TensorFlow é uma plataforma completa de código aberto para machine learning.PyTorch: é uma biblioteca de aprendizado de máquina de código aberto baseada na biblioteca Torch, usada para aplicativos como visão computacional e processamento de linguagem naturalTheano: Theano é uma biblioteca Python e um compilador de otimização para manipular e avaliar expressões matemáticas, especialmente aquelas com valor de matriz.Keras: O Keras é uma biblioteca de rede neural de código aberto escrita em Python. Ele é capaz de rodar em cima de TensorFlow, Microsoft Cognitive Toolkit, R, Theano, ou PlaidML.Scikit-learn: A scikit-learn é uma biblioteca de aprendizado de máquina de código aberto para a linguagem de programação PythonO que você vai aprender? Neste super curso, você vai entrar a fundo na área mais importante da Inteligência Artificial, com aulas teóricas e práticas onde você vai estudar:Fundamentos de Redes Neurais ArtificiaisPrevisão com Regressão e ClassificaçãoVisão Computacional com Convolutional Neural NetworksAnalise de Séries Temporais com Recurrent Neural NetworksDetecção de Características com Self-Organizing MapsSistemas de Recomendação com Deep Boltzmann MachinesSistemas de Recomendação com AutoEncodersBônus: Simulando uma competição do Kaggle!Quais problemas práticos você vai implementar?Rotatividade de ClientesReconhecimento de ImagensPrevisão de Preços de AçõesDetecção de FraudeSistemas de RecomendaçãoO curso ainda inclui:Slides para downloadCódigos fonte em Python (inclui notebooks para Jupyter)Dados de exemplo para baixar

Overview

Section 1: Introdução

Lecture 1 Apresentação

Lecture 2 O que você vai estudar?

Lecture 3 O que é Aprendizado Profundo?

Lecture 4 Material para Download

Lecture 5 Escolhendo o Ambiente para Fazer o Curso

Lecture 6 Comandos da Próxima Aula

Lecture 7 Configuração do Ambiente para usar Anaconda com Spyder ou Jupyter

Section 2: Fundamentos de Machine Learning (Opcional)

Lecture 8 Introdução

Lecture 9 Introdução (Continuação)

Lecture 10 Classificação

Lecture 11 Regressão

Lecture 12 Agrupamentos

Lecture 13 Sistemas de Recomendação

Lecture 14 Regressão Linear

Lecture 15 Regressão Logística

Lecture 16 Categorical Encoding

Lecture 17 Feature Scalling

Section 3: Pré-Processamento de Dados

Lecture 18 Passo 1

Lecture 19 Passo 2

Lecture 20 Passo 3

Lecture 21 Passo 4

Lecture 22 Passo 5

Section 4: Um Modelo de Classificação

Lecture 23 Passo 1

Lecture 24 Passo 2

Lecture 25 Passo 3

Section 5: Redes Neurais Artificiais

Lecture 26 Plano de Ataque

Lecture 27 Links e Referências desta Seção

Lecture 28 O Neurônio

Lecture 29 Função de Ativação

Lecture 30 Como Funciona uma Rede Neural Artificial

Lecture 31 Como as Redes Neurais Aprendem?

Lecture 32 Gradient Descent

Lecture 33 Stochastic Gradient Descent

Lecture 34 Backpropagation

Section 6: Construíndo Redes Neurais Artificias

Lecture 35 Passo 1

Lecture 36 Passo 2

Lecture 37 Passo 3

Lecture 38 Passo 4

Section 7: Redes Neurais Convolucionais

Lecture 39 Plano de Ataque

Lecture 40 Links e Referências desta Seção

Lecture 41 Convolutional Neural Networks

Lecture 42 Convolutions

Lecture 43 Relu

Lecture 44 Max Pooling

Lecture 45 Flattening

Lecture 46 Full Connection

Lecture 47 Sumário

Section 8: Construindo Redes Neurais Convolucionais

Lecture 48 Passo 1

Lecture 49 Passo 2

Lecture 50 Passo 3

Lecture 51 Passo 4

Lecture 52 Passo 5

Lecture 53 Passo 6

Lecture 54 Passo 7

Lecture 55 Passo 8

Lecture 56 Passo 9

Section 9: Redes Neurais Recorrentes

Lecture 57 Plano de Ataque

Lecture 58 Links e Referências desta Seção

Lecture 59 Recurrent Neural Network

Lecture 60 Vanishiing Gradient

Lecture 61 Long Short-Term Memory

Lecture 62 LSTM: Intuição Prática

Lecture 63 Variações de LSTM

Section 10: Construindo Redes Neurais Recorrentes

Lecture 64 Passo 1

Lecture 65 Passo 2

Lecture 66 Passo 3

Lecture 67 Passo 4

Lecture 68 Passo 5

Lecture 69 Passo 6

Lecture 70 Passo 7

Section 11: Self Organizing Maps

Lecture 71 Plano de Ataque

Lecture 72 Links e Referências desta Seção

Lecture 73 Como SOM funcionam

Lecture 74 Revisando Kmeans

Lecture 75 Como SOMs Aprendem

Lecture 76 Como SOMs Aprendem Parte II

Lecture 77 Interpretando um SOM Avançado

Lecture 78 Kmeans: Armadilha da Inicialização aleatória

Lecture 79 Kmeans: Escolhendo numero certo de grupos

Section 12: Construindo Self Organizing Maps

Lecture 80 Passo 1

Lecture 81 Passo 2

Lecture 82 Passo 3

Lecture 83 Passo 4

Section 13: Boltzmann Machines

Lecture 84 Plano de Ataque

Lecture 85 Links e Referências desta Seção

Lecture 86 Boltzmann Machines

Lecture 87 Modelos Baseados em Energia

Lecture 88 Restricted Boltzmann Machines

Lecture 89 Constrastive Divergence

Lecture 90 Deep Belief Networks

Lecture 91 Deep BM

Section 14: Construindo Boltzmann Machines

Lecture 92 Passo 1

Lecture 93 Passo 2

Lecture 94 Passo 3

Lecture 95 Passo 4

Lecture 96 Passo 5

Lecture 97 Passo 6

Lecture 98 Passo 7

Section 15: Autoencoders

Lecture 99 Plano de Ataque

Lecture 100 Links e Referências desta Seção

Lecture 101 Autoencoders

Lecture 102 Nota sobre Bias

Lecture 103 Treinando um Autoencoder

Lecture 104 Excesso de Camadas Ocultas

Lecture 105 Autoencoders Esparsos

Lecture 106 Denoising

Lecture 107 Contractive Autoencoders

Lecture 108 Stacked Autoencoders

Lecture 109 Deep Autoencoders

Section 16: Construindo Autoencoders

Lecture 110 Passo 1

Lecture 111 Passo 2

Lecture 112 Passo 3

Lecture 113 Passo4

Lecture 114 Passo 5

Section 17: Fundamentos de Python (Opcional)

Lecture 115 Introdução

Lecture 116 O Ambiente

Lecture 117 Variáveis e Objetos

Lecture 118 Variáveis e Objetos Parte II

Lecture 119 Estrutura de Decisão

Lecture 120 Estruturas de Decisão Parte II

Lecture 121 Estrutura de Repetição

Lecture 122 Estrutura de Repetição Parte II

Lecture 123 Listas

Lecture 124 Listas Parte II

Lecture 125 Módulos e Pacotes

Lecture 126 Módulos e Pacotes Parte II

Lecture 127 Funções

Lecture 128 Funções Parte II

Lecture 129 Funções Padrão

Lecture 130 Funções Padrão Parte II

Lecture 131 Funções Padrão Parte III

Section 18: Bônus: Simulando competição do Kaggle

Lecture 132 Simulando competição do Kaggle

Section 19: Aula Bônus

Lecture 133 Para Saber Mais e Carreira na Área de Dados

Interessados em Aprender sobre Deep Learning e Machine Learning

Course Information:

Udemy | Português | 16h 47m | 5.43 GB
Created by: Fernando Amaral

You Can See More Courses in the IT & Software >> Greetings from CourseDown.com

New Courses

Scroll to Top