What you'll learn:
- Utilize Grandes Modelos de Linguagem como GPT
- Crie Modelos de Analises Preditivas, Agrupamentos e Associadores com Machine Learning
- Aprenda Diversas Téncnicas de Detecção de Anomalias
- Crie Agentes de IA com RAGs e Langchain
- Implemente Projetos de IA Generativa capaz de Criar Imagens
- Resolva Problemas de Otimização com Algoritmos Genéticos
- Classifique Documentos com Processamento de Linguagem Natural
- Reconheça Caracteres com Redes Neurais Artificias e Deep Learning
- Crie Modelos capazes de Detectar Emoções
- Desenvolva Projetos de Redes Neurais Convolucionais (CNN) e Redes Neurais Recorretes (LSTM)
Tudo em um único curso:Machine Learngs a LLMs, IA Generativas, Agentes, DeepLearning, Algortimos Genéticos e muito mais!
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.
Ocurso é composto de:
Mais de 170 aulas!
Mais de 60 Implementação Práticas com Python com código fonte para baixar
Questões de fixação
Atividades Práticas
Além do código fonte, slides do curso disponíveis para download
Inclui também um curso de Fundamentos de Python (Opcional)
Veja o que você vai estudar:
Fundamentos de Machine Learning: Tipos e Aplicações, Avaliação de Performance, Clusters, Regras de Associação
Algoritmos de Machine Learning: Correlação e Regressão, Naive Bayes, Redes Bayesianas, Árvores de Decisão, Aprendizado Baseado em Grupos, Aprendizado Baseado em Instâncias, Vizinho Mais Próximo, K-means, Apriori
Tópicos Avançados em Machine Learning: Engenharia de Atributos, PCA, Seleção de Atributos, Técnicas Avançadas de Clusters, Classificação Multi Label, Datasets Desbalanceados, AutoML e Tunning de Modelos
Redes Neurais, Deep Learning e Visão Computacional: Fundamentos de Redes Neurais, Perceptron,Deep Learning, Hiper Parâmetros, Redes Neurais Convolucionais (CNN), Redes Neurais Recorrentes (LSTM), Autoencoders
Machine Learning Explicável: Conceitos, Modelos White-box, Modelos Black-box, Feature Importance, LIME, Eli5, Shap, Interpret
Processamento de Linguagem Natural (NLP) Corpus, Tokens, Annotations, Tokenization, Parts-of-Speech Tagging (POS), Lemmatizing (Lemma), Dependency Parsing.
LLMs e Inteligência Artificial Generativa: LLM, Huggin Face, Open AI e GPT, Whisper e DALL-E
Agente de IA e RAGS: Crie Agentes de IA com técnicas de RAG usando LangChain
Detecção de Anomalias: Técnicas Estatísticas: z-score, IQR, Machine Learning isolation forest, lof, Deep Learning: autoencoders, lstm, Seasonal and Trend Decomposition (std), Time Series: arima, media móvel , exponencial smoothing
Algoritmos Genéticos: Evolução Biológica, Fundamentos de AG, Técnicas, Busca e Otimização, Fundamentos, Hill Climbing, BFS e DFS, Tabu Search, Simulated Annealing
Algoritmos de Busca e Otimização: Hill Climbing, BFS, DFS, Caminhos, Tabu Search e Simulated Annealing
Lógica Difusa: Conjuntos Difusos, Inferência, Variáveis Linguísticas
Algumas bibliotecas/linguagens usadas:
Python, Keras, Pytorch, TensorFlow, Hugging Face, Langchain, Scipy, SkitLearn, OpenAI, Whisper, Pandas, Google Gemini, H2O
Bons estudos!
Fernando Amaral
