Inteligencia Artificial e Machine Learning com JavaScript

Inteligencia Artificial e Machine Learning com JavaScript

What you’ll learn

Machine Learning, Deep Learning, Processamento de Linguagem Natural, Visão Computacional, Redes Neurais Artificiais, Análise Classificativa, Análise Preditiva, Leitura e Manipulação de Modelos, Plotagem de Dados e Exemplos Práticos de Inteligência Artificial com JavaScript.

Requirements

Conhecimentos básicos em JavaScript.

Description

Finalmente você terá um curso de Inteligência Artificial voltado para desenvolvedores e não para Cientistas de Dados. Aprenda os principais fundamentos dessa tecnologia e aplique em seus sistemas Web, Desktop e Mobile com JavaScript. Curso completo e com avanços gradativos respeitando o ritmo de aprendizado. Você aprenderá sobre as metodologias de Aprendizado de Máquina e sobre os principais algoritmos de Machine Learning. Tudo com exemplos práticos e alguns casos reais para fixar o conteúdo da maneira correta. Conheça a tecnologia mais badalada do momento e tenha esse diferencial no seu currículo, não perca mais tempo e embarque no fantástico mundo da Inteligência Artificial!* Introdução ao Curso de Inteligência Artificial e Machine Learning com JavaScriptHistória da inteligência artificial, conceitos, métodos e aplicações.* Redes Neurais Artificiais do Tipo Feedforward (Função de Aproximação)Neurônio natural e neurônio artificial, função somatória, gradiente descendente com método de descida do gradiente, inputs, outputs, valores de busca, taxa de erro, épocas de treinamento, função de ativação para formatação de resultados, pesos e sinapses artificiais.* Funções de Ativação (Formatação)Cálculos da tangente hiperbólica, função sigmoide com resultado na curva sigmoidal, unidade linear retificada com e sem vazamento e passo binário.* Regressão Linear SimplesCálculos dos produtos de X por Y, quadrados de X, somatório de X, média de X, fórmula da regressão linear aplicada aos resultados, treinamento de máquina, predição, salvamento e carregamento de modelos pré-treinados e orientação a objetos no cálculo matemático.* Regressão Linear MultivariadaRegressão linear multivariada com múltiplas entradas em uma única saída de informação.* Naive Bayes ProbabilísticoEliminação de elementos duplicados, retorno de classes, contagem de textos coincidentes, organização de classes e entradas em objeto JSON, cálculo de frequência, contagem de classes, somatório de classes, cálculo total individual e geral, cálculo de ocorrência, aplicação do teorema de Bayes.* Naive Bayes ClassificativoAdaptação do teorema de Bayes probabilístico para cálculo classificativo.* K-Nearest Neighbors (KNN)Subtrações e quadrados dos eixos X e Y, soma dos quadrados, radiciação, treinamento e predição por grau de proximidade numérica.* Clusterização (Agrupamento de Dados) com K-MeansExportação de módulo, média dos eixos de X e Y para o grupo, cálculo dos centroides para X e Y, elemento mínimo, retorno de índice, comparação de arrays, atualização de grupo, formatação dos grupos como vetores de uma matriz e agrupamento final.* Aprendizado por ReforçoSalvamento e leitura dos índices dos centroides por meio de feedbacks positivos e negativos.* Árvore de Decisão (Decision Tree)Construtor de classe, proporção das classes para um determinado valor de eixo, proporção dividida pelo total, logaritmo na base 2 de uma divisão, produto da divisão pelo logaritmo, cálculo da multiplicação atual menos a posterior, ganho de informação, cálculo de entropia e predição classificativa.* Rede Neural Artificial com Arquitetura Perceptron Multicamadas (Multilayer Perceptron – MLP)Transformando um feedforward em perceptron multicamadas com configurações de construção de rede. Bias, nós de entrada, interação e saída, atualização de pesos multiplicativos em matrizes, treinamento e execução de um multilayer perceptron.* Cálculos EstatísticosElemento mínimo e máximo, soma, média, mediana, produto, quadrado, cubo, valor absoluto, variância padrão, variância com tendência, variância sem tendência, desvio padrão, desvio com tendência, desvio sem tendência, raiz quadrada, multiplicação convencional e matricial, subtração, transposição, seleção aleatória, adição, divisão, logaritmos, logaritmo na base 2, aproximação para baixo, aproximação padrão, aproximação para cima, expressão e filtro.* Rede Neural Artificial (RNA) com Fórmula FixaFórmula matemática para a construção de redes neurais artificiais, camada de entrada, camada oculta, camada de saída, épocas de treinamento, taxa de erro e aprendizagem, função de ativação, aleatoriedade em pesos, gradiente descendente, função sigmoidal, neurônios artificiais e sinapse artificial.* Manipulação de Arquivos Estruturados no Formato CSVConversão de CSV para objeto JSON e abjeto vetorial.* Aprendizado de Máquina (Machine Learning) no Front-End com Layout HTMLÁrvore de decisão, k-nearest neighbors, naive bayes, rede neural e regressão linear no front-end com layout HTML e eventos em JavaScript.* Plotagem de Dados para Análise de InformaçõesGráfico line, scatter, bar, pie e bubble.* Redes Neurais Artificiais SofisticadasSofisticação em redes neurais artificiais.* Aprendizado SupervisionadoAplicações de algoritmos de aprendizado supervisionado.* Aprendizado AutônomoExemplo de aprendizado autônomo no front-end por meio de clusterização.* Processamento de Linguagem Natural (NLP)Processamento de linguagem natural para o reconhecimento de padrões em textos e caracteres. Identificação de indivíduos através da escrita e análise de sentimentos por meio de computação cognitiva com o teorema de bayes.* Visão ComputacionalRedes neurais convolucionais pré-treinadas para a classificação de imagens no front-end.* Máquina de Vetores de Suporte (Support Vector Machine)Definição dos vetores de suporte, margens, hiperplano, gamma e classificação binária.* Regressão LogísticaCálculo regressivo para casos de classificação de dados.* Regressão PolinomialPropriedade degree para o grau da curva de melhor ajuste e aplicação do cálculo de regressão em dados com distribuição caótica e não linear.* Regressão Linear Multivariável (Regressão Linear Múltipla)Reconhecimento de padrões numéricos em múltiplas entradas e múltiplas saídas.* Análise Classificativa de Dados com Pacotes NPMPacotes NPM para análise classificativa com o teorema de bayes, k-nearest neighbors e árvore de decisão.* Análise Regressiva de Dados com Pacote NPMPacote NPM para análise regressiva com regressão linear múltipla.* Agrupamento (Clusterização) com Pacotes NPMPacotes NPM para clusterização de dados com k-means.* Análise Preditiva (Classificação e Regressão) com Pacotes NPM para RNAPacotes NPM para análise classificativa e regressiva de dados com redes neurais artificiais em distribuições lineares e não lineares.* Redes Neurais Recorrentes (RNN)Redes neurais recorrentes para a análise de séries temporais. Rede neural recorrente com e sem intervalo de tempo, memória de longo e curto prazo e unidades recorrentes bloqueantes. Reconhecimento de padrão sequencial por ordenação e posicionamento de dados.* Deep Learning (O Aprendizado Profundo)Redes neurais profundas com múltiplas camadas de interação nos dados.* Exemplos PráticosCálculo salarial, precificação de imóveis, predição de cotações futuras para o dólar, bitcoin e ações da bolsa de valores.* Conclusão e EncerramentoConclusão e encerramento do conteúdo das aulas.

Overview

Section 1: Introdução ao Curso

Lecture 1 01-Apresentação do Curso

Lecture 2 02-Introdução a Inteligência Artificial – Parte 1

Lecture 3 03-Introdução a Inteligência Artificial – Parte 2

Section 2: Rede Neural Feedforward

Lecture 4 01-Neurônio Natural

Lecture 5 02-Neurônio Artificial

Lecture 6 03-Função Somatória

Lecture 7 04-Gradiente Descendente

Lecture 8 05-Feedforward – Parte 1

Lecture 9 06-Feedforward – Parte 2

Lecture 10 07-Chamada da Função

Lecture 11 08-Executando a Rede Neural Artificial

Lecture 12 09-Múltiplas Entradas na Rede

Section 3: Funções de Ativação

Lecture 13 01-Tangente Hiperbólica

Lecture 14 02-Função Sigmóide

Lecture 15 03-Função ReLU

Lecture 16 04-Função Leaky ReLU

Lecture 17 05-Função Binary Step

Lecture 18 06-Configurando a Função – Parte 1

Lecture 19 07-Configurando a Função – Parte 2

Section 4: Regressão Linear Simples

Lecture 20 01-Fórmula da Regressão Linear

Lecture 21 02-Cálculo dos Produtos

Lecture 22 03-Cálculo dos Quadrados

Lecture 23 04-Cálculo Somatório

Lecture 24 05-Cálculo da Média

Lecture 25 06-Cálculo dos Resultados

Lecture 26 07-Executando a Regressão Linear

Lecture 27 08-Regressão com Orientação a Objetos

Lecture 28 09-Modelo Pré-treinado

Section 5: Regressão Linear Multivariada

Lecture 29 01-Reduzindo os Valores em Um

Lecture 30 02-Executando a Regressão Multivariada

Section 6: Naive Bayes Probabilístico

Lecture 31 01-Teorema de Bayes

Lecture 32 02-Cálculos da Fórmula de Bayes

Lecture 33 03-Construindo as Funções do Teorema – Parte 1

Lecture 34 04-Construindo as Funções do Teorema – Parte 2

Lecture 35 05-Construindo as Funções do Teorema – Parte 3

Lecture 36 06-Executando o Naive Bayes

Lecture 37 07-Naive Bayes Orientado a Objetos

Lecture 38 08-Instanciando o Objeto

Lecture 39 09-Executando a Instância

Section 7: Naive Bayes Classificativo

Lecture 40 01-Adaptando para Classificação

Section 8: K-Nearest Neighbors

Lecture 41 01-Fórmula do K-Nearest Neighbors

Lecture 42 02-Algoritmo do KNN

Lecture 43 03-Executando a Classificação

Lecture 44 04-KNN com Orientação a Objetos

Lecture 45 05-Executando a Instância

Lecture 46 06-Classes no Formato Texto

Section 9: Clusterização com K-Means

Lecture 47 01-Fórmula do K-Means

Lecture 48 02-Construindo as Funções – Parte 1

Lecture 49 03-Construindo as Funções – Parte 2

Lecture 50 04-Construindo as Funções – Parte 3

Lecture 51 05-Executando o Agrupamento

Lecture 52 06-K-Means com Orientação a Objetos

Section 10: Aprendizado por Reforço

Lecture 53 01-Codificando as Funções – Parte 1

Lecture 54 02-Codificando as Funções – Parte 2

Lecture 55 03-Codificando as Funções – Parte 3

Lecture 56 04-Executando a Clusterização

Lecture 57 05-Feedback Negativo e Positivo

Section 11: Árvore de Decisão

Lecture 58 01-Fórmula da Árvore de Decisão

Lecture 59 02-Construindo as Funções – Parte 1

Lecture 60 03-Construindo as Funções – Parte 2

Lecture 61 04-Construindo as Funções – Parte 3

Lecture 62 05-Construindo as Funções – Parte 4

Lecture 63 06-Construindo as Funções – Parte 5

Lecture 64 07-Executando a Classificação

Lecture 65 08-Árvore de Decisão Orientada a Objetos

Section 12: Rede Neural Perceptron

Lecture 66 01-Entendendo o Perceptron

Lecture 67 02-Função de Treinamento

Lecture 68 03-Funções para Manipular o Modelo

Lecture 69 04-Execução e Predição – Parte 1

Lecture 70 05-Execução e Predição – Parte 2

Lecture 71 06-Execução e Predição – Parte 3

Lecture 72 07-Multilayer Perceptron Orientado a Objetos

Lecture 73 08-Executando o Perceptron com Orientação a Objetos

Lecture 74 09-Salvando e Carregando Modelos

Section 13: Estatística com MathJS

Lecture 75 01-Instalação do MathJS

Lecture 76 02-Funções Estatísticas – Parte 1

Lecture 77 03-Funções Estatísticas – Parte 2

Section 14: Rede Neural Artificial com MathJS

Lecture 78 01-Construindo o Treinamento

Lecture 79 02-Construindo a Predição

Lecture 80 03-Executando a Rede Neural

Lecture 81 04-Executando a RNA com Classe Externa

Section 15: Manipulação de Arquivos CSV

Lecture 82 01-Construtor da Classe

Lecture 83 02-Convertendo CSV em JSON com Input e Output – Parte 1

Lecture 84 03-Convertendo CSV em JSON com Input e Output – Parte 2

Lecture 85 04-Convertendo CSV em JSON com X e Y

Lecture 86 05-Convertendo CSV em Array

Lecture 87 06-Executando a Instância da Classe

Lecture 88 07-Treinando Algoritmos com CSV

Section 16: Aprendizado de Máquina no Front-End

Lecture 89 01-Regressão Linear

Lecture 90 02-Naive Bayes – Parte 1

Lecture 91 03-Naive Bayes – Parte 2

Lecture 92 04-Naive Bayes – Parte 3

Lecture 93 05-K-Nearest Neighbors

Lecture 94 06-Árvore de Decisão – Parte 1

Lecture 95 07-Árvore de Decisão – Parte 2

Lecture 96 08-Árvore de Decisão – Parte 3

Lecture 97 09-Rede Neural Artificial

Section 17: Plotagem de Dados

Lecture 98 01-Layout HTML e Biblioteca Plotly

Lecture 99 02-Gráficos de Linha, Pontos, Barras, Pizza e Bolhas

Lecture 100 03-Precificação em Três Dimensões

Section 18: Redes Neurais Artificiais

Lecture 101 01-Sofisticando o Algoritmo – Parte 1

Lecture 102 02-Sofisticando o Algoritmo – Parte 2

Section 19: Aprendizado Supervisionado

Lecture 103 01-Árvore de Decisão

Lecture 104 02-K-Nearest Neighbors

Lecture 105 03-Naive Bayes

Lecture 106 04-Regressão Linear

Lecture 107 05-Rede Neural Artificial – Parte 1

Lecture 108 06-Rede Neural Artificial – Parte 2

Section 20: Aprendizado Autônomo

Lecture 109 01-Função para Cadastro

Lecture 110 02-Função de Clusterização

Section 21: Processamento de Linguagem Natural

Lecture 111 01-Codificando as Funções do NLP

Lecture 112 02-Executando o Processamento de Linguagem Natural

Lecture 113 03-Concluindo a Análise de Texto

Section 22: Visão Computacional

Lecture 114 01-Função de Carregamento de Imagem

Lecture 115 02-Execução e Predição com ML5JS

Section 23: Máquina de Vetores de Suporte

Lecture 116 01-Entendendo o Support Vector Machine

Lecture 117 02-Executando o SVM – Parte 1

Lecture 118 03-Executando o SVM – Parte 2

Section 24: Regressão Logística

Lecture 119 01-Codificando e Executando com NPM

Section 25: Regressão Polinomial

Lecture 120 01-Entendendo a Regressão Polinomial

Lecture 121 02-Executando Regressões Lineares e Não Lineares

Section 26: Regressao Linear Multivariavel

Lecture 122 01-Regressão Linear Múltipla com NPM

Section 27: Análise Classificativa com NPM

Lecture 123 01-Naive Bayes com NPM – Parte 1

Lecture 124 02-Naive Bayes com NPM – Parte 2

Lecture 125 03-K-Nearest Neighbors com NPM

Lecture 126 04-Árvore de Decisão com NPM

Section 28: Análise Regressiva com NPM

Lecture 127 01-Análise Regressiva com NPM

Section 29: Agrupamento com NPM

Lecture 128 01-Clusterização com Pacote NPM

Section 30: Análise Preditiva com NPM

Lecture 129 01-Classificação e Regressão com RNA e SynapticJS – Parte 1

Lecture 130 02-Classificação e Regressão com RNA e SynapticJS – Parte 2

Lecture 131 03-Classificação e Regressão com RNA e BrainJS – Parte 1

Lecture 132 04-Classificação e Regressão com RNA e BrainJS – Parte 2

Lecture 133 05-Salvando e Carregando Modelos com BrainJS

Lecture 134 06-Executando o BrainJS no Front-End

Lecture 135 07-BrainJS no Front-End com Modelo Pré-treinado

Lecture 136 08-Rede Neural Artificial com MindJS

Lecture 137 09-Reconhecimento de Padrões em Texto com MindJS

Section 31: Redes Neurais Recorrentes

Lecture 138 01-Análise de Séries Temporais – Parte 1

Lecture 139 02-Análise de Séries Temporais – Parte 2

Lecture 140 03-Análise de Séries Temporais – Parte 3

Lecture 141 04-Análise de Texto com RNN – Parte 1

Lecture 142 05-Análise de Texto com RNN – Parte 2

Section 32: Deep Learning

Lecture 143 01-Entendendo o Aprendizado Profundo

Lecture 144 02-Encerrando o Deep Learning

Section 33: Exemplos Praticos

Lecture 145 01-Atualização de Arquivos CSV – Parte 1

Lecture 146 02-Atualização de Arquivos CSV – Parte 2

Lecture 147 03-Análise de Crédito em Lotes – Parte 1

Lecture 148 04-Análise de Crédito em Lotes – Parte 2

Lecture 149 05-Precificação de Imóveis em Lotes

Lecture 150 06-Predição do Dólar em Lotes – Parte 1

Lecture 151 07-Predição do Dólar em Lotes – Parte 2

Lecture 152 08-Predição do Bitcoin em Lotes

Lecture 153 09-Predição das Ações PN da Petrobras em Lotes

Lecture 154 10-Predição Única do Dólar

Lecture 155 11-Predição Única do Bitcoin

Lecture 156 12-Predição Única das Ações PN da Petrobras

Lecture 157 13-Encerramento do Módulo de Exemplos

Section 34: Conclusao e Encerramento

Lecture 158 01-Conclusão e Encerramento

Desenvolvedores iniciantes ou experientes que desegem aprender Inteligência Artificial com JavaScript.

Course Information:

Udemy | Português | 25h 12m | 11.27 GB
Created by: Ben-Hur Varriano

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