Inteligencia Artificial aplicada para Empresas e Negocios

Resolva problemas de negócios do mundo real utilizando aprendizagem por reforço
Inteligencia Artificial aplicada para Empresas e Negocios
File Size :
4.40 GB
Total length :
10h 48m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.8/5

Inteligencia Artificial aplicada para Empresas e Negocios

What you’ll learn

Aplicação de algoritmos de Inteligência Artificial para resolver problemas de empresas como: Otimização de Processos, Minimização de Custos e Maximização de Lucros
Teoria sobre aprendizagem por reforço com os algoritmos Q-Learning, Deep Q-Learning e Thompson Sampling

Inteligencia Artificial aplicada para Empresas e Negocios

Requirements

Lógica de programação, principalmente estruturas condicionais e de repetição
Programação básica em Python
Conhecimentos sobre instalação de softwares básicos, porém, durante o curso será mostrado o processo de instalação das ferramentas utilizadas
Noções de Orientação a Objetos, como: classes, objetos, atributos e métodos
Conhecimentos básicos sobre Redes Neurais Artificiais são desejáveis (no final do curso tem um anexo para revisar esse conteúdo)

Description

Com Inteligência Artificial, você pode desenvolver três projetos principais para qualquer negócio:Otimizar processos de negóciosMinimizar custosMaximizar receitasBaseado nessas necessidades, neste curso você aprenderá passo a passo como construir inteligências artificiais em três estudos de caso que envolvem cada uma dessas áreas! Com isso, teremos três partes neste curso:Na Parte 1 (Otimização de Processos de Negócios), vamos construir uma IA para otimização de fluxos em um armazém de comércio eletrônico usando o algoritmo Q-Learning da área da Aprendizagem por ReforçoNa Parte 2 (Minimização de Custos), vamos construir uma IA mais avançada que minimize os custos no consumo de energia de um data center em mais de 50%! Esse projeto é bem parecido com o que os pesquisadores do DeepMind do Google fizeram para economizar milhões de dólares no consumo de energia elétrica! Neste estudo de caso vamos usar o algoritmo Deep Q-Learning, unindo as área de Aprendizagem por Reforço e Deep LearningNa Parte 3 (Maximização de Receitas), vamos construir uma IA diferente que irá maximizar a receita de um negócio de varejo on-line, fazendo com que ele tenha mais de 100% de retorno se comparada com uma estratégia que não usa inteligência artificial. Neste projeto, vamos usar o algoritmo Thompson Sampling também da área da Aprendizagem por ReforçoSe você pretende conseguir um emprego bem remunerado ou criar seu próprio negócio de sucesso com inteligência artificial, este é o curso que você precisa!Preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Boas vindas e conteúdo do curso

Lecture 2 E-book

Lecture 3 Mais sobre Inteligência Artificial

Lecture 4 Código fonte completo + slides

Section 2: —– Parte 1 – Otimização de Processos de Negócios —–

Lecture 5 Bem-vindo(a) à Parte 1 – Otimização de Processos de Negócios

Section 3: Estudo de Caso

Lecture 6 Otimização de Processos – Parte 1

Lecture 7 Otimização de Processos – Parte 2

Lecture 8 Otimização de Processos – Parte 3

Lecture 9 Otimização de Processos – Parte 4

Section 4: Solucão de Inteligência Artificial

Lecture 10 Bem-vindo(a) à seção de intuição

Lecture 11 Conteúdo

Lecture 12 O que é aprendizagem por reforço?

Lecture 13 A Equação de Bellman

Lecture 14 O Plano

Lecture 15 Markov Decision Process – MDP

Lecture 16 Política x Plano

Lecture 17 Adição de Penalidades – Living Penalty

Lecture 18 Q-Learning – Intuição

Lecture 19 Diferença Temporal

Lecture 20 Q-Learning – Visualização

Section 5: Implementação da Solução de IA

Lecture 21 Otimização de Processos – Parte 5

Lecture 22 Otimização de Processos – Parte 6

Lecture 23 Otimização de Processos – Parte 7

Lecture 24 Otimização de Processos – Parte 8

Lecture 25 Otimização de Processos – Parte 9

Lecture 26 Otimização de Processos – Parte 10

Lecture 27 Otimização de Processos – Parte 11

Lecture 28 Otimização de Processos – Parte 12

Lecture 29 Otimização de Processos – Parte 13

Lecture 30 Debug passo a passo

Lecture 31 Otimização de Processos – Parte 14

Lecture 32 Otimização de Processos – Parte 15

Lecture 33 Otimização de Processos – Parte 16

Lecture 34 Otimização de Processos – Parte 17

Lecture 35 Otimização de Processos – Parte 18

Lecture 36 Debug passo a passo

Section 6: Tarefa

Lecture 37 Instruções para a tarefa

Lecture 38 Solução para a tarefa

Section 7: —– Parte 2 – Minimização de Custos —–

Lecture 39 Bem-vindo(a) à Parte 2 – Minimização de Custos

Section 8: Estudo de Caso

Lecture 40 Minimização de Custos – Parte 1

Lecture 41 Minimização de Custos – Parte 2

Lecture 42 Minimização de Custos – Parte 3

Section 9: Solucão de Inteligência Artificial

Lecture 43 Bem-vindo(a) à seção de intuição

Lecture 44 Conteúdo

Lecture 45 Intuição Deep Q-Learning I

Lecture 46 Intuição Deep Q-Learning II

Lecture 47 Replay de Experiência

Lecture 48 Políticas de Seleções de Ações

Section 10: Implementação da Solução de IA

Lecture 49 Minimização de Custos – Parte 4

Lecture 50 Minimização de Custos – Parte 5

Lecture 51 Minimização de Custos – Parte 6

Lecture 52 Minimização de Custos – Parte 7

Lecture 53 Minimização de Custos – Parte 8

Lecture 54 Minimização de Custos – Parte 9

Lecture 55 Minimização de Custos – Parte 10

Lecture 56 Minimização de Custos – Parte 11

Lecture 57 Minimização de Custos – Parte 12

Lecture 58 Minimização de Custos – Parte 13

Lecture 59 Minimização de Custos – Parte 14

Lecture 60 Minimização de Custos – Parte 15

Lecture 61 Minimização de Custos – Parte 16

Lecture 62 Minimização de Custos – Parte 17

Lecture 63 Minimização de Custos – Parte 18

Lecture 64 Minimização de Custos – Parte 19

Lecture 65 Minimização de Custos – Parte 20

Lecture 66 Minimização de Custos – Parte 21

Lecture 67 Minimização de Custos – Parte 22

Lecture 68 Minimização de Custos – Parte 23

Lecture 69 Minimização de Custos – Parte 24

Lecture 70 Minimização de Custos – Parte 25

Lecture 71 Minimização de Custos – Parte 26

Lecture 72 Minimização de Custos – Parte 27

Lecture 73 Minimização de Custos – Parte 28

Lecture 74 Minimização de Custos – Parte 29

Lecture 75 Minimização de Custos – Parte 30

Lecture 76 Minimização de Custos – Parte 31

Lecture 77 Minimização de Custos – Parte 32

Lecture 78 Minimização de Custos – Parte 33

Lecture 79 Minimização de Custos – Parte 34

Lecture 80 Minimização de Custos – Parte 35

Lecture 81 Minimização de Custos – Parte 36

Lecture 82 Debug passo a passo

Section 11: Tarefa

Lecture 83 Instruções para a tarefa

Lecture 84 Solução para a tarefa

Lecture 85 Dropout

Section 12: —– Parte 3 – Maximização de Receitas —–

Lecture 86 Bem-vindo(a) à Parte 3 – Maximização de Receitas

Section 13: Estudo de Caso

Lecture 87 Maximização de Receitas – Parte 1

Lecture 88 Maximização de Receitas – Parte 2

Lecture 89 Maximização de Receitas – Parte 3

Section 14: Solução de Inteligência Artificial

Lecture 90 Bem-vindo(a) à seção de intuição

Lecture 91 Problema do Bandido Multi-Armado (The Multi-Armed Bandit Problem)

Lecture 92 Intuição Thompson Sampling

Section 15: Implementação da Solução de IA

Lecture 93 Maximização de Receitas – Parte 4

Lecture 94 Maximização de Receitas – Parte 5

Lecture 95 Maximização de Receitas – Parte 6

Lecture 96 Maximização de Receitas – Parte 7

Lecture 97 Maximização de Receitas – Parte 8

Lecture 98 Maximização de Receitas – Parte 9

Lecture 99 Maximização de Receitas – Parte 10

Lecture 100 Maximização de Receitas – Parte 11

Lecture 101 Maximização de Receitas – Parte 12

Lecture 102 Maximização de Receitas – Parte 13

Lecture 103 Maximização de Receitas – Parte 14

Lecture 104 Maximização de Receitas – Parte 15

Lecture 105 Maximização de Receitas – Parte 16

Lecture 106 Debug passo a passo

Section 16: Tarefa

Lecture 107 Instruções para a tarefa

Lecture 108 Solução para a tarefa

Section 17: Anexo I – Redes Neurais Artificiais

Lecture 109 Perceptron de uma camada

Lecture 110 Redes multicamada – função soma e função de ativação

Lecture 111 Redes multicamada – cálculo do erro

Lecture 112 Descida do gradiente

Lecture 113 Cálculo do parâmetro delta

Lecture 114 Ajuste dos pesos com backpropagation

Lecture 115 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 116 Funções de ativação I

Lecture 117 Funções de ativação II

Section 18: Considerações finais

Lecture 118 AULA BÔNUS

Pessoas interessadas em resolver problemas de empresas utilizando inteligência artificial,Pessoas interessadas em deep learning (aprendizagem profunda),Pessoas interessadas em aprendizagem por reforço com os algoritmos Deep Q-Learning e Thompson Sampling,Analistas de dados que queiram aumentar seu conhecimento na área de deep learning (aprendizagem profunda),Alunos de graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial,Pessoas que estão ansiosas para aprender como aproveitar a inteligência artificial para otimizar seus negócios, maximizam a lucratividade e a eficiência,Profissionais que procuram por casos de negócios para adicionar ao seu portfólio,Entusiastas da tecnologia interessados em alavancar a aprendizagem de máquina e a inteligência artificial para resolver problemas de negócios,Consultores, que querem fazer a transição de empresas para negócios dirigidos por inteligência artificial

Course Information:

Udemy | Português | 10h 48m | 4.40 GB
Created by: Jones Granatyr

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top