Lab: Implementando Clusters Diversos

Lab: Implementando Clusters Diversos

Pré-visualização indisponível

Você precisa fazer login ou se inscrever para ver esta lição.

EntrarInscrever-se

Formação Completa Inteligência Artificial

Comprar agoraSaiba mais

1. Introdução

  • Apresentação e Conteúdo do Curso
  • Orientações Gerais2
  • Material para Download3
  • Ambiente Python para o Curso
  • Tutorial de Google Colab
  • Dica Extra para Google Colab

2. Fundamentos de Machine Learning

  • Introdução
  • Aplicações
  • Definições Gerais
  • Conceitos Fundamentais
  • Introdução a Classificação
  • Avaliação de Performance e Matriz de Confusão
  • Avaliação de Performance para Regressão4
  • Codificação de Categorias
  • Dimensionamento de Características
  • Fundamentos de Agrupamentos
  • Regras de Associação
  • Quiz 1: Fundamentos de Machine Learning

3. Estudo de Algoritmos de Machine Learning

  • Introdução a Correlação e Regressão Linear
  • Condições para Regressão Linear
  • Cálculos na Regressão Linear2
  • Lab: Regressão Linear em Python
  • Lab: Regressão Linear com StatsModels
  • Lab: Regressão Linear com StatsModels (Continuação)
  • Naive Bayes
  • Lab: Naive Bayes
  • Lab: Naive Bayes (Continuação)
  • Árvores de Decisão
  • Opcional: Cálculos para Induzir uma Árvore de Decisão
  • Lab: Implementando Árvores de Decisão
  • Aprendizado Baseado em Grupos com Random Forest
  • Lab: Random Forest
  • Aprendizado Baseado em Instância
  • KNN: Vizinho mais Próximo
  • Lab: Implementando KNN2
  • KMeans
  • Lab: Implementando Clusters Diversos
  • Lab: Implementando Clusters Diversos (Continuação)
  • Regras de Associação com Apriori
  • Lab: Implementado Apriori

4. Tópicos Avançados em Machine Learning

  • Engenharia e Seleção de Atributos
  • Lab: Engenharia de Atributos
  • Lab: Engenharia de Atributos (Continuação)2
  • PCA: Principal Component Analysis
  • Lab: PCA2
  • Seleção de Atributos
  • Lab: Seleção de Atributos
  • Avaliando a Viabilidade de um Modelo
  • Avaliando e Comparando a Performance de Modelos
  • Custo de Modelos
  • Técnicas Avançadas para Clusters
  • Lab: Técnicas Avançadas para Clusters
  • Lab: Técnicas Avançadas para Clusters (Continuação)
  • Lab: Escolhendo o Melhor Agrupador
  • Lab: Escolhendo o Melhor Agrupador (Continuação)
  • Classificação Multi Label
  • Métricas para Avaliação Multi Label
  • Lab: Classificação Multi Label2
  • Dados Desbalanceados
  • Lab: Dados Desbalanceados
  • AutoML e Tunning de Modelos
  • AutoML e Tunning de Modelos (Continuação)
  • Lab: AutoML e Tunning
  • Lab: AutoML e Tunning com H2O

5. Redes Neurais, Deep Learning e Computer Vision

  • Introdução a Redes Neurais Artificiais
  • Conhecendo o Perceptron
  • Classificação com Perceptron
  • Classificação com Perceptron (Continuação)
  • Apresentação de Redes Neurais
  • Deep Learning
  • Compreendendo Hiper Parâmetros
  • Lab: Implementando RNA
  • Lab: RNA com Keras
  • Lab: RNA com Keras (Continuação)
  • Visão Computacional com CNN - Convolution
  • Visão Computacional com CNN - Pooling
  • Visão Computacional com CNN - Flattening
  • Visão Computacional com CNN - Full Connected
  • Dados Cifar10
  • Lab: Convolution Neural Network (CNN)
  • Lab: Convolution Neural Network (CNN) (Continuação)
  • Lab: Convolution Neural Network (CNN) (Continuação II)
  • Redes Neurais Recorrentes e LSTM (Long Short Term Memory)
  • Conjunto de Dados Stock do Google
  • Lab: Pré-processamento para LSTM
  • Lab: Treinamento de LSTM
  • Lab: Previsão e Comparação de Resultados de LSTM
  • Introdução aos Autoencoders
  • Sobre o Lab de Autoencoders
  • Lab: Preprando o Autoencoder
  • Lab: Criando o Modelo do Autoencoder
  • Lab: Removendo o Ruído da Imagem
  • Detecção de Objetos
  • Lab: Detecção de Objetos com OpenCV
  • Lab: Detecção de Objetos com OpenCV (Continuação)

6. Machine Learning Explicável

  • O que é Machine Learning Explicável (XAI)
  • Por que um Modelo Precisa ser Explicado?
  • Conceitos Fundamentais
  • Exemplos de Modelos White-box e Black-box
  • Lab: Preparando os Dados
  • Lab: Lime e Eli5
  • Lab: Shap e Interpret

7. Processamento de Linguagem Natural (Natura Language Processing - NLP)

  • Introdução
  • Aplicações
  • Conceitos
  • Lab: NLP na Prática
  • Lab: NLP na Prática (Continuação)
  • Lab: NLP na Prática (Continuação II)2
  • Word Embedding e Transformers
  • Lab: Classificação com Keras
  • Lab: Classificação com Keras (Continuação)

8. LLMs e Inteligência Artificial Generativa

  • LLMs: Grandes Modelos de Linguagem
  • Hugging Face
  • Lab: Geração de Texto com Modelos GPT
  • Lab: Preenchimento de Máscara
  • Lab: Resumo de Texto
  • Modelos GPT com OpenAI
  • Lab: GPT com Python
  • Lab: Google Gemini
  • Lab: DeepSeek
  • DALL-E: Apresentação
  • Lab: DALL-E
  • Lab: Stable Diffusion
  • Lab: Stable Diffusion (Continuação)
  • Whisper: Apresentação
  • Lab: Whisper

9. Agentes de IA, RAGs e Langchain

  • Apresentação de Agentes de IA
  • Tipos de Agentes de IA
  • RAGs: Retrieval Augmented Generation
  • Outros Conceitos de Agentes
  • Lab: Agente com Pesquisa na Web
  • Agente Especializado com RAG e Langchain
  • Lab: Agente Especializado com RAG e Langchain8
  • Lab: Agente Especializado com RAG e Langchain (Continuação)
  • MCP (Model Context Protocol)
  • Agentes e Automação Low-code/No-code
  • Criando MCP Server no n8n
  • Criando Automação com Chat e com MCP Client no n8n

10. Deteção de Anomalias

  • Introdução a Detecção de Anomalias
  • Técnicas Estatísticas
  • Lab: Z-Score
  • Lab: IQR
  • Técnicas de Machine Learning
  • Lab: Local Outlier Factor (LOF)
  • Lab: Isolation Forest
  • Técnicas de Deep Learning
  • Lab: Autoencoders
  • LSTM para Anomalias
  • Lab: Treinando Modelo LSTM
  • Lab: Buscando Anomalias com LSTM
  • Lab: Previsão de Avaliação com LSTM
  • Técnicas de Séries Temporais
  • Lab: Médias Móveis
  • Lab: Exponential Smoothing
  • Lab: Seasonal and Trend Decomposition (STD)
  • Lab: Arima

11. Algoritmos Genéticos

  • Introdução
  • Evolução Biológica
  • Introdução aos Algoritmos Genéticos
  • Como Algoritmos Genéticos Funcionam
  • Como Algoritmos Genéticos Funcionam (Continuação)
  • Como Algoritmos Genéticos Funcionam (Continuação II)
  • Demonstração de Exemplo
  • Exemplo com Valor Real
  • Lab: Criando Função Fitness
  • Lab: Implementando Algoritmos Genéticos para Valor Real
  • Exemplo de Problema Binário
  • Lab: Implementando Problema Binário
  • Quiz 2: Algoritmos Genéticos

12. Algoritmos de Busca e Otimização

  • Introdução a Busca e Otimização
  • Introdução a Busca e Otimização (Continuação)
  • Hill Climbing
  • Força Bruta com BFS e DFS
  • Caminhos
  • Tabu Search e Simulated Annealing
  • Problema de Simulated Annealing
  • Lab: Implementando Simulated Annealing
  • Quiz 3: Busca e Otimização

13. Lógica Difusa

  • Introdução a Lógica Difusa
  • Introdução a Lógica Difusa (Continuação)
  • Problema Prático
  • Lab: Criando Modelo
  • Lab: Criando Regras e Inferindo
  • Quiz 4: Lógica Difusa

14. Projeto Final

  • Desafio Final2