Super Formacao Inteligencia Artificial e Machine Learning

Aprenda as mais Importantes Técnicas e Algoritmos de Inteligência Artificial e Machine Learning
Super Formacao Inteligencia Artificial e Machine Learning
File Size :
10.30 GB
Total length :
23h 21m

Category

Instructor

Fernando Amaral

Language

Last update

Última atualização em 5/2022

Ratings

4.6/5

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

Super Formacao Inteligencia Artificial e Machine Learning

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

New Courses

Scroll to Top