Super Formacao Inteligencia Artificial e Machine Learning
What you’ll learn
Entenda o Aprendizado Através de Interação com o Ambiente com Reinforcement Learning
Construa Sistemas Baseados em Regras com Lógica Difusa
Implemente Algoritmos de Busca e Otimização
Construa Sistemas Baseados na Opinião de Especialistas
Resolver Problemas de Otimização com Algoritmos Genéticos
Classifique Documentos com Processamento de Linguagem Natural
Reconheça Caracteres com Redes Neurais Artificias e Deep Learning
Crie Modelos de Analises Preditivas, Agrupamentos e Associadores com Machine Learning
Modelo mecanismos de analise de emoções
Crie Aplicações Web de Inteligência Artificial
Requirements
Conceitos Básicos de Estatística e Lógica de Programação
Description
A Inteligência Artificial esta mudando o mundo como conhecemos, e consequentemente criando oportunidades de negócio e milhares de oportunidades no mercado de trabalho! Não fique de fora, conheça o mais completo e abrangente curso em Inteligência Artificial, que alia teoria e prática, e que vai levar você a um outro nível de conhecimento, com capacidade de implementar programas para tornar computadores inteligentes.Este curso é Completo: traz todas os principais conceitos e técnicas relacionados e Inteligência ArtificialDireto: os tutoriais vão direto ao ponto, mas com uma grande preocupação com a didática, valorizando seu tempoProfissional: criado e produzido com alta qualidadeAlém de Machine Learning e Deep Learning, neste curso você ainda terá uma imersão em:Algoritmos de Busca e Otimização, como Hill Climbing, Tabu Search e Simulated AnnealingSistemas especialistas: modele sistema baseado em conhecimento humanoLógica Difusa: construa sistemas baseado em regras não booleanasAlgoritmos Genéticos: desenhe sistema inspirados na evolução naturalClassificação Multi Label: crie sistema preditivos que capazes de prever mais de uma categoriaReinforcement Learing: a maquina aprende interagindo com o ambiente!Processamento de Linguagem Natural (NLP): crie sistemas capazes de interprestar textosMineração de EmoçãoVários Projetos práticos…O curso é composto de:Mais de 200 aulas!Questões de fixaçãoCódigos fontes e slides das aulas dos exemplos disponíveis para downloadInclui Curso Básico de R e Curso Básico de Python, para alunos que não tem proficiência na linguagem
Overview
Section 1: Apresentação
Lecture 1 Instruções Gerais
Lecture 2 Material para Download
Lecture 3 Apresentação
Lecture 4 O que você vai aprender durante o Curso
Lecture 5 Diretrizes gerais e estrutura do curso
Lecture 6 Fundamentos
Lecture 7 História
Lecture 8 O Teste de Turing
Lecture 9 Aplicações
Lecture 10 Robôs, Agentes e Sistemas Especialistas
Lecture 11 Mudanças Sociais e Riscos para a Humanidade
Lecture 12 Preparação do Ambiente: R
Lecture 13 Preparação do Ambiente: Python
Section 2: Algoritmos de Busca e Otimização
Lecture 14 Introdução
Lecture 15 Introdução Parte II
Lecture 16 Hill Climbing
Lecture 17 BFS e DFS
Lecture 18 Caminhos
Lecture 19 Tabu Search e Simulated Annealing
Lecture 20 AI Breaking News
Lecture 21 R: Tabu Search
Lecture 22 R: Tabu Search parte II
Lecture 23 R: Simulated Annealing
Lecture 24 R: Simulated Annealing parte II
Section 3: Algoritmos Genéticos
Lecture 25 Introdução
Lecture 26 Evolução Biológica
Lecture 27 Introdução a AG
Lecture 28 Como Funciona
Lecture 29 Como Funciona Parte II
Lecture 30 Como Funciona Parte III
Lecture 31 Exemplo
Lecture 32 R: Pacote GA
Lecture 33 Exemplo com Valor Real
Lecture 34 R: Exemplo com Valor Real
Lecture 35 Exemplo Binário
Lecture 36 R: Exemplo Binário
Lecture 37 Python: Otimização de Carga
Lecture 38 Python: Otimização de Carga Parte II
Lecture 39 Python: Otimização de Carga Parte III
Section 4: Sistemas Especialistas
Lecture 40 Introdução
Lecture 41 AI Breaking News
Lecture 42 O modelo clássico de Cooke
Lecture 43 Pacote Expert
Lecture 44 R: Exemplo
Lecture 45 R: Exemplo parte II
Lecture 46 R: Exemplo parte III
Lecture 47 Avaliando os Resultados
Section 5: Lógica Difusa
Lecture 48 Introdução
Lecture 49 Introdução Parte II
Lecture 50 R: Exemplo
Lecture 51 R: Exemplo Parte II
Lecture 52 Interpretando o Resultado
Lecture 53 Python: Comparação de string com FuzzyWuzzy
Section 6: Machine Learning: Fundamentos
Lecture 54 Introdução
Lecture 55 Aplicações
Lecture 56 Conceitos
Lecture 57 Conceitos Parte II
Lecture 58 Classificação
Lecture 59 Classificação Parte II
Lecture 60 Weka: Classificação com Naive Bayes
Lecture 61 Weka: Classificação com Árvores de Decisão
Lecture 62 Weka: Classificação com Filtros
Lecture 63 Weka: Regressão
Lecture 64 Categorical Encoding
Lecture 65 Feature Scalling
Lecture 66 Agrupamentos
Lecture 67 Weka: Agrupamentos
Lecture 68 Regras de Associação
Lecture 69 Weka: Regras de Associação
Section 7: Machine Learning: Estudo de Algoritmos
Lecture 70 Naive Bayes
Lecture 71 Python: Naive Bayes
Lecture 72 Redes Bayesianas
Lecture 73 Redes Bayesianas Parte II
Lecture 74 R: Redes Bayesianas
Lecture 75 Árvores de Decisão
Lecture 76 Árvores de Decisão Parte II
Lecture 77 Python: Árvores de Decisão
Lecture 78 Classificação com Regras
Lecture 79 Classificação com Regras Parte II
Lecture 80 Regras com arules
Lecture 81 Comparando Regras
Lecture 82 Aprendizado Baseado em Grupos
Lecture 83 R: Random Forest
Lecture 84 Aprendizado Baseado em Instância
Lecture 85 Python: Knn
Lecture 86 Agrupamentos com Kmeans
Lecture 87 Python: Kmeans
Lecture 88 Apriori
Lecture 89 Apriori no R
Section 8: Machine Learning: Tópicos Avançados
Lecture 90 Avaliando a Variabilidade de um Modelo
Lecture 91 Comparando o Desempenho de um Modelo
Lecture 92 Avaliando o Desempenho com Weka Experimenter
Lecture 93 Custo de Modelos
Lecture 94 Seleção de Atributos e Maldição da Dimensionalidade
Lecture 95 Python: Seleção de Atributos
Lecture 96 Classificação Multi Label
Lecture 97 Meka: Classificação Multi Label
Lecture 98 R: Classificação Multi Label
Lecture 99 Métricas de Erros: ME MAE RMSE MPE MAPE
Section 9: Redes Neurais e Deep Learning
Lecture 100 Introdução
Lecture 101 Percepton
Lecture 102 Classificação com Perceptron
Lecture 103 Classificação com Perceptron Parte II
Lecture 104 Executando um Perceptron
Lecture 105 Executando um Perceptron Parte II
Lecture 106 Arquitetura de Redes Neurais Artificiais
Lecture 107 Testando um Perceptron Multicamadas
Lecture 108 Multilayer Perceptron no R
Lecture 109 Multilayer Perceptron no R Parte II
Lecture 110 Python: Exemplo com sklearn
Lecture 111 Deep Learning
Lecture 112 Deep Learning com H2O
Lecture 113 Python: Deep Learning
Lecture 114 Python: Deep Learning Parte II
Section 10: Reinforcement Learning
Lecture 115 Introdução
Lecture 116 R: Reinforcement Learning
Lecture 117 Python: Reinforcement Learning
Section 11: Processamento de Linguagem Natural (NLP)
Lecture 118 Introdução
Lecture 119 Aplicações
Lecture 120 AI Breaking News
Lecture 121 Conceitos
Lecture 122 R: Processamento de Linguagem Natural
Lecture 123 R: Exemplo básico
Lecture 124 R: Exemplo com Documento
Lecture 125 R: Exemplo com Documento Parte II
Lecture 126 R: Classificação
Lecture 127 R: Classificação Parte II
Lecture 128 Python: Mineração de Emoção
Lecture 129 Python: Mineração de Emoção Parte II
Section 12: R: Projeto Prático I: Jogo da Velha com Reinforcement Learning
Lecture 130 Tic Tac Toe com Reinforcement Learning
Lecture 131 Tic Tac Toe Parte II
Lecture 132 Tic Tac Toe Parte III
Lecture 133 Tic Tac Toe Parte IV
Lecture 134 Tic Tac Toe Parte V
Section 13: Python: Projeto Prático II: Aplicação Web de Avaliação de Riscos em Seguros
Lecture 135 Projeto Web Parte I
Lecture 136 Projeto Web Parte II
Lecture 137 Projeto Web Parte III
Section 14: R: Projeto Prático III: Quebra Cabeças Oito Rainhas com Algoritmos Genéticos
Lecture 138 Oito Rainhas
Lecture 139 Solução
Lecture 140 Implementação
Lecture 141 Implementação Parte II
Section 15: Legado (Aulas da Versão 1)
Lecture 142 Informações
Lecture 143 Algoritmos Genéticos: Exemplo de Permutação
Lecture 144 Algoritmos Genéticos: Exemplo de Permutação no R ♻
Lecture 145 Lógica Difusa: Exemplo com Octave
Lecture 146 Lógica Difusa: Exemplo com Octave Parte II
Lecture 147 Machine Leaning: R: Naive Bayes
Lecture 148 Machine Learning: R: Naive Bayes parte II
Lecture 149 Machine Learning: R: Árvores de Decisão
Lecture 150 Machine Learning: R: Árvores de Decisão no R parte II
Lecture 151 Machine Learning: R: Seleção de Atributos
Lecture 152 Machine Learning: R: Knn
Lecture 153 Machine Learning: R: Kmeans no R
Lecture 154 R: Deep Learning
Lecture 155 R: Deep Learning Parte II
Lecture 156 Projeto Prático em R: Aplicação Web de Avaliação de Riscos em Seguros
Lecture 157 Projeto Prático em R: Projeto em Shiny
Lecture 158 Projeto Prático em R: Projeto em Shiny Parte II
Lecture 159 Projeto Prático em R: Projeto em Shiny Parte III
Section 16: Fundamentos em R
Lecture 160 Introdução
Lecture 161 RStudio
Lecture 162 Pacotes
Lecture 163 Pacotes Parte II
Lecture 164 Pacotes Parte III
Lecture 165 Aspectos Diversos
Lecture 166 Aspectos Diversos Parte II
Lecture 167 Tipos de Dados e Operadores
Lecture 168 Tipos de Dados e Operadores Parte II
Lecture 169 Estruturas de Dados
Lecture 170 Estruturas de Dados Parte II
Lecture 171 Funções
Lecture 172 Funções Parte II
Lecture 173 Ajuda
Lecture 174 Ajuda Parte II
Lecture 175 Principais Funções
Lecture 176 Principais Funções Parte II
Lecture 177 Importando Dados
Lecture 178 Importando Dados Parte II
Lecture 179 Programação
Lecture 180 Programação Parte II
Section 17: Fundamentos em Python
Lecture 181 Introdução
Lecture 182 Ambiente
Lecture 183 Variáveis e Objetos
Lecture 184 Variáveis e Objetos (Continuação)
Lecture 185 Estruturas de Decisão
Lecture 186 Estruturas de Decisão (Continuação)
Lecture 187 Estruturas de Repetição
Lecture 188 Estruturas de Repetição (Continuação)
Lecture 189 Listas
Lecture 190 Listas (Continuação)
Lecture 191 Módulos e Pacotes
Lecture 192 Módulos e Pacotes (Continuação)
Lecture 193 Funções
Lecture 194 Funções (Continuação)
Lecture 195 Funções Padrão
Lecture 196 Funções Padrão (Continuação)
Lecture 197 Funções Padrões (Continuação II)
Section 18: Encerramento
Lecture 198 Encerramento
Lecture 199 Referências Bibliográficas
Section 19: Aula Bônus
Lecture 200 Para Saber Mais e Carreira na Área de Dados
Interessados em Aprender a Implementar Programas de Computador Inteligentes
Course Information:
Udemy | Português | 23h 21m | 10.30 GB
Created by: Fernando Amaral
You Can See More Courses in the Developer >> Greetings from CourseDown.com