Formação Completa Inteligência Artificial - 2025
Compre Agora
Saiba mais
1. Introdução
Apresentação e Conteúdo do Curso
Orientações Gerais
Material para Download
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 Regressão
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 Linear
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 KNN
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)
PCA: Principal Component Analysis
Lab: PCA
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 Label
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)
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 Langchain
Lab: Agente Especializado com RAG e Langchain (Continuação)
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 Final
Produtos
Curso
Seção
Lição
LSTM para Anomalias
LSTM para Anomalias
Formação Completa Inteligência Artificial - 2025
Compre Agora
Saiba mais
1. Introdução
Apresentação e Conteúdo do Curso
Orientações Gerais
Material para Download
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 Regressão
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 Linear
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 KNN
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)
PCA: Principal Component Analysis
Lab: PCA
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 Label
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)
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 Langchain
Lab: Agente Especializado com RAG e Langchain (Continuação)
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 Final
Lição indisponível
Por favor,
fazer o login em sua conta
ou
comprar o curso
.
