Inteligencia Artificial e Machine Learning O Guia Completo

Inteligencia Artificial e Machine Learning O Guia Completo

What you’ll learn

A base teórica e prática dos principais algoritmos de Inteligência Artificial
Implementar algoritmos de Inteligência Artificial do zero e utilizando bibliotecas
Aprender na teoria e na prática sobre os algoritmos de Machine Learning para classificação, regressão, regras de associação e agrupamento
Aprender Machine Learning sem saber uma linha de programação sequer
Utilizar a ferramenta visual Orange para criar, analisar e testar os algoritmos
Utilizar a linguagem de programação Python para criar algoritmos de Inteligência Artificial
Aprender o básico da programação em Python
Utilizar os algoritmos de busca gulosa e A* (A Estrela) encontrar a menor rota entre cidades
Implementar algoritmos de otimização para problemas de minimização e maximização
Implementar uma IA para prever o valor da gorjeta a ser dada em um restaurante, utilizando lógica difusa (fuzzy)
Utilizar técnicas de exploração de dados aplicada em uma base de dados da doença COVID-19
Criar um agente com aprendizagem por reforço para controlar os passageiros de um táxi
Utilizar redes neurais artificiais e redes neurais recorrentes para classificar as imagens dos personagens Homer e Bart, do desenho dos Simpsons
Aprender técnicas de processamento de linguagem natural e crie um classificador de sentimentos
Detectar e reconhecer faces com usando técnicas de visão computacional
Rastrear objetos em vídeo utilizando visão computacional
Criar sistemas multiagente para simular uma comunicação entre agentes

Requirements

Lógica de programação, principalmente estruturas condicionais e estrutura de repetição
Não é necessário conhecer a linguagem Python, pois no final do curso há um anexo com aulas básicas caso seja seu primeiro contato com ela

Description

Atualmente, a área de Inteligência Artificial e Machine Learning (Aprendizagem de Máquina) estão sendo considerados os campos de trabalho mais relevantes da Tecnologia da Informação, sendo responsáveis pela utilização de algoritmos inteligentes para a construção de software e hardware que simulem a capacidade humana. O mercado de trabalho de Machine Learning em várias partes do mundo está em grande ascensão e a tendência é que este tipo de profissional seja cada vez mais requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação!Para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Inteligência Artificial! Este curso é considerado um guia completo pelo fato de apresentar desde conceitos mais básicos até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções de Inteligência Artificial que podem ser aplicadas em problemas do dia-a-dia das empresas! O conteúdo está dividido em nove partes: algoritmos de busca, algoritmos de otimização, lógica difusa (fuzzy), machine learning, redes neurais (deep learning), processamento de linguagem natural, visão computacional, sistemas multiagente e também outras áreas de IA, como sistemas especialistas, GPS (general problem solver), redes bayesianas e raciocínio baseado em casos! Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo. Veja abaixo alguns dos projetos/tópicos que serão desenvolvidos:Busca de rotas com melhores caminhos em mapas de cidades (busca gulosa e busca A*)Escolha das passagens áreas mais baratas, em um cenário de compra de passagens em grupo e maximização de lucros no carregamento de produtos – algoritmos de otimização: hill climb (subida da encosta), simulated annealing (têmpera simulada) e algoritmo genéticoPrevisão do valor que você daria de gorjeta em um restaurante (lógica fuzzy)Classificação utilizando os algoritmos naïve bayes, árvore de decisão, regras, k-NN, regressão logística e redes neuraisPrevisão do preço de casas utilizando regressão linearAgrupamento de dados bancários utilizando o algoritmo k-meansGeração de regras de associação com o algoritmo aprioriPré-processamento, redução de dimensionalidade e detecção de outliers em bases de dadosPrevisão do preço de ações com séries temporaisVisualização e exploração de dados na base de dados da doença COVID-19Construção de um agente para controlar um táxi para transporte de passageiros com aprendizagem por reforçoClassificação de imagens de gatos e cachorros com redes neurais convolucionaisClassificação das imagens do Homer e Bart, do desenho dos Simpsons também utilizando redes neurais convolucionaisMarcação POS (part-of-speech), lematização, stemização, nuvem de palavras (wordcloud) e extração de entidades nomeadas utilizando técnicas de processamento de linguagem naturalCriação de um classificador de sentimentos em PortuguêsDetecção de faces e reconhecimento facial em imagensRastreamento de objetos de vídeosSimulação de um sistema multiagente para comunicação entre agentes utilizando o protocolo FIPA-REQUESTCada tipo de problema requer técnicas diferentes para sua solução, portanto, conhecendo todas as áreas de IA você saberá que técnicas utilizar nos mais variados tipos de cenários!Durante o curso, vamos utilizar a linguagem de programação Python e também a ferramenta gráfica Orange! Caso você não conheça Python, no final do curso você tem acesso a mais de 5 horas de vídeo com exercícios com o básico sobre essa linguagem de programação! Este é o curso ideal caso seja seu primeiro contato com Inteligência Artificial, pois você aprenderá na teoria e na prática todos os tópicos necessários! Caso você seja de nível mais avançado nessa área, pode utilizar esse curso como uma referência e para aprender novas área e revisar os conceitos

Overview

Section 1: Introdução

Lecture 1 Boas-vindas e conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

Lecture 3 Recursos para download

Lecture 4 Terminologia

Section 2: —– Parte 1 – Algoritmos de busca —–

Lecture 5 Introdução

Lecture 6 Teoria sobre buscas

Lecture 7 Heurísticas

Lecture 8 Vetores ordenados

Lecture 9 Vetor ordenado – teoria

Lecture 10 Vetor ordenado – implementação

Lecture 11 Criação do mapa das cidades

Lecture 12 Busca gulosa – teoria

Lecture 13 Busca em gulosa – implementação

Lecture 14 Busca gulosa – debug passo a passo

Lecture 15 Busca A* (A Estrela) – teoria

Lecture 16 Busca A* (A Estrela) – implementação

Lecture 17 Busca A* (A Estrela) – debug passo a passo

Lecture 18 EXERCÍCIO

Lecture 19 Solução para o exercício

Section 3: —– Parte 2 – Algoritmos de otimização —–

Lecture 20 Introdução à algoritmos de otimização

Lecture 21 Estudo de caso dos voos

Lecture 22 Representação do problema – implementação

Lecture 23 Impressão da solução – implementação

Lecture 24 Função de custo (fitness) – implementação

Lecture 25 Hill climb – teoria

Lecture 26 Hill climb – implementação

Lecture 27 Simulated annealing – teoria

Lecture 28 Simulated annealing – implementação

Lecture 29 Algoritmo genético – teoria

Lecture 30 Algoritmo genético – implementação

Lecture 31 EXERCÍCIO

Lecture 32 Solução para o exercício

Section 4: —– Parte 3 – Lógica difusa (fuzzy) —–

Lecture 33 Introdução

Lecture 34 Teoria

Lecture 35 Implementação 1

Lecture 36 Implementação 2

Lecture 37 Implementação 3

Lecture 38 EXERCÍCIO

Lecture 39 Solução para o exercício

Section 5: —– Parte 4 – Machine learning —–

Lecture 40 Introdução

Lecture 41 Introdução à Machine Learning e Data Science

Section 6: Classificação

Lecture 42 O que é classificação

Lecture 43 Naïve bayes

Lecture 44 Naïve bayes com Orange

Lecture 45 Árvore de decisão

Lecture 46 Árvore de decisão com Orange

Lecture 47 Aprendizagem por regras

Lecture 48 Regras com Orange

Lecture 49 Aprendizagem baseada em instâncias – kNN

Lecture 50 kNN com Orange

Lecture 51 Aprendizagem com máquinas de vetores de suporte (SVM)

Lecture 52 SVM com Orange

Lecture 53 Regressão logística

Lecture 54 Regressão logística com Orange

Lecture 55 Validação cruzada

Lecture 56 EXERCÍCIO

Lecture 57 Solução para o exercício

Lecture 58 Classificação de imagens com Orange

Section 7: Regressão

Lecture 59 O que é regressão

Lecture 60 Regressão linear

Lecture 61 Regressão linear com Orange

Lecture 62 EXERCÍCIO

Lecture 63 Solução para o exercício

Section 8: Agrupamento

Lecture 64 O que é agrupamento

Lecture 65 Algoritmo k-means

Lecture 66 K-means com Orange

Lecture 67 EXERCÍCIO

Lecture 68 Solução para o exercício

Lecture 69 Agrupamento de imagens com Orange

Section 9: Associação

Lecture 70 O que é associação

Lecture 71 Algoritmo Apriori

Lecture 72 Apriori com Orange

Lecture 73 EXERCÍCIO

Lecture 74 Solução para o exercício

Section 10: Tópicos complementares

Lecture 75 Pré-processamento: valores faltantes e normalização

Lecture 76 Pré-processamento: discretização

Lecture 77 Seleção de atributos

Lecture 78 Redução de dimensionalidade com PCA

Lecture 79 PCA e agrupamento

Lecture 80 Detecção de outliers

Lecture 81 Séries temporais 1

Lecture 82 Séries temporais 2

Lecture 83 Séries temporais 3

Section 11: Visualização e exploração de dados

Lecture 84 Gráficos básicos com Orange

Lecture 85 Exploração de dados COVID-19 1

Lecture 86 Exploração de dados COVID-19 2

Lecture 87 Exploração de dados COVID-19 3

Lecture 88 Exploração de dados COVID-19 4

Lecture 89 Exploração de dados COVID-19 5

Section 12: Aprendizagem por reforço

Lecture 90 Introdução

Lecture 91 Teoria

Lecture 92 Implementação 1 – ambiente

Lecture 93 Implementação 2 – treinamento 1

Lecture 94 Implementação 3 – treinamento 2

Lecture 95 Implementação 4 – avaliação

Section 13: —– Parte 5 – Redes neurais artificias e deep learning —–

Lecture 96 Introdução

Lecture 97 Perceptron de uma camada

Lecture 98 Redes multicamada – função soma e função de ativação

Lecture 99 Redes multicamada – cálculo do erro

Lecture 100 Descida do gradiente

Lecture 101 Cálculo do parâmetro delta

Lecture 102 Ajuste dos pesos com backpropagation

Lecture 103 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 104 Redes neurais com Orange

Lecture 105 Deep learning com TensorFlow 1

Lecture 106 Deep learning com TensorFlow 2

Lecture 107 Deep learning com TensorFlow 3

Lecture 108 EXERCÍCIO

Lecture 109 Solução para o exercício

Lecture 110 Introdução a redes neurais convolucionais I

Lecture 111 Introdução a redes neurais convolucionais II

Lecture 112 Etapa 1 – operador de convolução (introdução)

Lecture 113 Etapa 1 – operador de convolução (cálculo)

Lecture 114 Etapa 2 – pooling

Lecture 115 Etapa 3 – flattening

Lecture 116 Etapa 4 – rede neural densa

Lecture 117 Redes neurais convolucionais com TensorFlow 1

Lecture 118 Redes neurais convolucionais com TensorFlow 2

Lecture 119 EXERCÍCIO

Lecture 120 Solução para o exercício

Lecture 121 Outros tipos de redes neurais

Section 14: —– Parte 6 – Processamento de linguagem natural —–

Lecture 122 Introdução

Lecture 123 Marcação POS, lematização e stemização

Lecture 124 Carregamento da base de dados

Lecture 125 Buscas em textos com spaCy

Lecture 126 Extração de entidades nomeadas

Lecture 127 Wordcloud com Python

Lecture 128 Wordcloud com Orange

Lecture 129 Classificação de sentimentos com spaCy 1

Lecture 130 Classificação de sentimentos com spaCy 2

Lecture 131 Classificação de sentimentos com spaCy 3

Lecture 132 Classificação de sentimentos com spaCy 4

Lecture 133 Classificação de sentimentos com spaCy 5

Lecture 134 Classificação de sentimentos com spaCy 6

Lecture 135 Classificação de sentimentos com spaCy 7

Lecture 136 Classificação de sentimentos com spaCy 8

Lecture 137 Classificação de sentimentos com spaCy 9

Lecture 138 EXERCÍCIO

Lecture 139 Solução para o exercício

Lecture 140 Classificação de textos com Orange

Section 15: —– Parte 7 – Visão computacional —–

Lecture 141 Introdução

Lecture 142 Detecção de faces e objetos – teoria

Lecture 143 Detecção de faces – implementação

Lecture 144 EXERCÍCIO

Lecture 145 Solução para o exercício

Lecture 146 Reconhecimento facial – teoria

Lecture 147 Reconhecimento facial – treinamento

Lecture 148 Reconhecimento facial – classificação

Lecture 149 Rastreamento de objetos – teoria

Lecture 150 Rastreamento de objetos – implementação

Section 16: —– Parte 8 – Sistemas multiagente —–

Lecture 151 Introdução

Lecture 152 Teoria

Lecture 153 Implementação 1 – criação de agentes

Lecture 154 Implementação 2 – comportamentos

Lecture 155 Implementação 3 – comunicação FIPA REQUEST

Lecture 156 Implementação 4 – comunicação FIPA REQUEST

Lecture 157 Implementação 5 – comunicação FIPA REQUEST

Section 17: —– Parte 9 – Outras áreas da Inteligência Artificial —–

Lecture 158 Introdução

Lecture 159 Sistemas especialistas – teoria

Lecture 160 Sistemas especialistas com Expert Sinta

Lecture 161 Sistemas especialistas com Prolog

Lecture 162 GPS teoria – general problem solver

Lecture 163 GPS em Lisp – implementação

Lecture 164 Redes Bayesianas – teoria

Lecture 165 Redes Bayesianas com Netica

Lecture 166 Raciocínio baseado em casos

Section 18: Considerações finais

Lecture 167 Considerações finais

Section 19: Anexo – Programação básica em Python

Lecture 168 Introdução ao Python

Lecture 169 Ferramentas utilizadas no curso

Lecture 170 Instalação do Python

Lecture 171 IDEs para Python

Lecture 172 Manipulação de variáveis e constantes

Lecture 173 Manipulação de strings

Lecture 174 Operações matemáticas

Lecture 175 EXERCÍCIOS

Lecture 176 Solução para os exercícios

Lecture 177 Operadores lógicos e relacionais

Lecture 178 Operadores condicionais

Lecture 179 EXERCÍCIOS

Lecture 180 Solução para os exercícios

Lecture 181 Estruturas de repetição – for

Lecture 182 Estruturas de repetição – while

Lecture 183 EXERCÍCIOS

Lecture 184 Solução para os exercícios

Lecture 185 Tuplas e listas

Lecture 186 Dicionários e conjuntos

Lecture 187 Matrizes

Lecture 188 EXERCÍCIOS

Lecture 189 Solução para os exercícios

Lecture 190 Funções

Lecture 191 EXERCÍCIOS

Lecture 192 Solução para os exercícios

Lecture 193 Módulos úteis – math e datetime

Lecture 194 Módulos úteis – random e time

Lecture 195 Criação de módulos personalizados

Lecture 196 EXERCÍCIO

Lecture 197 Solução para o exercício

Lecture 198 Tratamento de erros e exceções

Lecture 199 EXERCÍCIO

Lecture 200 Solução para o exercício

Lecture 201 Manipulação de arquivos de texto

Lecture 202 EXERCÍCIO

Lecture 203 Solução para o exercício

Lecture 204 Expressões regulares – teoria básica

Lecture 205 Expressões regulares – prática

Lecture 206 EXERCÍCIOS

Lecture 207 Solução para os exercícios

Lecture 208 Orientação a objetos – teoria básica

Lecture 209 Orientação a objetos – prática

Lecture 210 EXERCÍCIO

Lecture 211 Solução para o exercício

Section 20: Bônus

Lecture 212 AULA BÔNUS

Pessoas interessadas em iniciar seus estudos em Inteligência Artificial, Machine Learning, Ciência de Dados ou Deep Learning,Pessoas que querem estudar Inteligência Artificial, porém, não sabem por onde começar,Alunos de graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial,Qualquer pessoa interessada em Inteligência Artificial,Empreendedores que queiram aplicar aprendizagem de máquina em projetos comerciais,Empresários que desejam criar soluções eficientes para problemas reais em suas empresas

Course Information:

Udemy | Português | 25h 19m | 8.67 GB
Created by: Jones Granatyr

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