Free ebookMachine Learning e Deep Learning com Python

Introdução ao Machine Learning

Fundamentos de Python para Data Science

Configuração do Ambiente de Desenvolvimento

Manipulação de Dados com Pandas

Análise Exploratória de Dados com Matplotlib e Seaborn

Análise Exploratória de Dados com Matplotlib e Seaborn: Importação de bibliotecas (Matplotlib e Seaborn)

Análise Exploratória de Dados com Matplotlib e Seaborn: Carregamento e inspeção inicial dos dados

Análise Exploratória de Dados com Matplotlib e Seaborn: Limpeza e preparação dos dados

Análise Exploratória de Dados com Matplotlib e Seaborn: Análise univariada (distribuição de uma única variável)

Análise Exploratória de Dados com Matplotlib e Seaborn: Análise bivariada (relações entre duas variáveis)

Análise Exploratória de Dados com Matplotlib e Seaborn: Visualização de dados categóricos

Análise Exploratória de Dados com Matplotlib e Seaborn: Visualização de dados contínuos

Análise Exploratória de Dados com Matplotlib e Seaborn: Uso de histogramas, boxplots e scatter plots

Análise Exploratória de Dados com Matplotlib e Seaborn: Criação de gráficos de linha para séries temporais

Análise Exploratória de Dados com Matplotlib e Seaborn: Personalização de gráficos (cores, títulos, labels)

Análise Exploratória de Dados com Matplotlib e Seaborn: Análise de correlação e heatmap

Análise Exploratória de Dados com Matplotlib e Seaborn: Uso de pairplots para visualizar relações em múltiplas dimensões

Análise Exploratória de Dados com Matplotlib e Seaborn: Salvar visualizações em arquivos (PNG, JPG, etc.)

Análise Exploratória de Dados com Matplotlib e Seaborn: Interpretação e conclusões a partir de visualizações

Conceitos Estatísticos Básicos para Machine Learning

Princípios de Aprendizado Supervisionado

Princípios de Aprendizado Supervisionado: Definição de Aprendizado Supervisionado

Princípios de Aprendizado Supervisionado: Conjuntos de Dados: Treino e Teste

Princípios de Aprendizado Supervisionado: Algoritmos de Classificação

Princípios de Aprendizado Supervisionado: Algoritmos de Regressão

Princípios de Aprendizado Supervisionado: Métricas de Avaliação de Desempenho

Princípios de Aprendizado Supervisionado: Validação Cruzada

Princípios de Aprendizado Supervisionado: Overfitting e Underfitting

Princípios de Aprendizado Supervisionado: Regularização

Princípios de Aprendizado Supervisionado: Seleção de Modelos

Princípios de Aprendizado Supervisionado: Otimização de Hiperparâmetros

Princípios de Aprendizado Supervisionado: Feature Engineering

Princípios de Aprendizado Supervisionado: Balanceamento de Classes

Princípios de Aprendizado Supervisionado: Interpretabilidade de Modelos

Princípios de Aprendizado Supervisionado: Aplicações Práticas

Modelos de Regressão Linear SIMPLES e Múltipla

Validação Cruzada e Métricas de Avaliação

Modelos de Classificação: Árvores de Decisão e K-NN

Avaliação de Modelos de Classificação

Ensemble Learning: Bagging, Boosting e Random Forest

Otimização de Hiperparâmetros

Redução de Dimensionalidade e Análise de Componentes Principais (PCA)

Algoritmos de Clustering: K-Means e Hierarchical Clustering

Introdução ao Deep Learning e Redes Neurais Artificiais

Conceitos de Neurônios e Funções de Ativação

Backpropagation e Treinamento de Redes Neurais

Backpropagation e Treinamento de Redes Neurais: O que é Backpropagation

Backpropagation e Treinamento de Redes Neurais: Cálculo do Gradiente

Backpropagation e Treinamento de Redes Neurais: Cadeia de Regra de Derivação

Backpropagation e Treinamento de Redes Neurais: Atualização dos Pesos com Gradiente Descendente

Backpropagation e Treinamento de Redes Neurais: Funções de Ativação

Backpropagation e Treinamento de Redes Neurais: Taxa de Aprendizagem

Backpropagation e Treinamento de Redes Neurais: Momentum e Outros Métodos de Otimização

Backpropagation e Treinamento de Redes Neurais: Problemas de Vanishing e Exploding Gradient

Backpropagation e Treinamento de Redes Neurais: Inicialização de Pesos

Backpropagation e Treinamento de Redes Neurais: Regularização (L1, L2, Dropout)

Backpropagation e Treinamento de Redes Neurais: Batch Normalization

Backpropagation e Treinamento de Redes Neurais: Treinamento de Redes Neurais Profundas

Backpropagation e Treinamento de Redes Neurais: Overfitting e Underfitting

Backpropagation e Treinamento de Redes Neurais: Validação Cruzada

Backpropagation e Treinamento de Redes Neurais: Técnicas de Aumento de Dados (Data Augmentation)

Backpropagation e Treinamento de Redes Neurais: Transferência de Aprendizagem (Transfer Learning)

Backpropagation e Treinamento de Redes Neurais: Redes Neurais Recorrentes (RNN) e Backpropagation Through Time (BPTT)

Backpropagation e Treinamento de Redes Neurais: Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU)

Backpropagation e Treinamento de Redes Neurais: Frameworks de Deep Learning (TensorFlow, PyTorch, Keras)

Otimizadores e Estratégias de Regularização

Construindo Redes Neurais com Keras e TensorFlow

Construindo Redes Neurais com Keras e TensorFlow: Introdução ao TensorFlow e Keras

Construindo Redes Neurais com Keras e TensorFlow: Instalação e configuração do ambiente

Construindo Redes Neurais com Keras e TensorFlow: Fundamentos de redes neurais artificiais

Construindo Redes Neurais com Keras e TensorFlow: Construção de modelos sequenciais em Keras

Construindo Redes Neurais com Keras e TensorFlow: Trabalhando com camadas densas, convolucionais e recorrentes

Construindo Redes Neurais com Keras e TensorFlow: Aplicação de técnicas de regularização e normalização

Construindo Redes Neurais com Keras e TensorFlow: Utilização de funções de ativação e inicializadores de peso

Construindo Redes Neurais com Keras e TensorFlow: Compilação e treinamento de modelos de deep learning

Construindo Redes Neurais com Keras e TensorFlow: Avaliação e otimização do desempenho do modelo

Construindo Redes Neurais com Keras e TensorFlow: Uso de callbacks e salvamento de modelos

Construindo Redes Neurais com Keras e TensorFlow: Fine-tuning e transferência de aprendizado

Construindo Redes Neurais com Keras e TensorFlow: Implementação de redes neurais para tarefas de classificação e regressão

Construindo Redes Neurais com Keras e TensorFlow: Aplicações em processamento de linguagem natural e visão computacional

Construindo Redes Neurais com Keras e TensorFlow: Integração do TensorFlow com o ecossistema de dados do Python

Modelos de Deep Learning para Visão Computacional

Redes Neurais Convolucionais (CNNs)

Transfer Learning e Fine-tuning

Transfer Learning e Fine-tuning: Definição de Transfer Learning

Transfer Learning e Fine-tuning: Benefícios do Transfer Learning

Transfer Learning e Fine-tuning: Cenários de aplicação

Transfer Learning e Fine-tuning: Redes Neurais Pré-treinadas

Transfer Learning e Fine-tuning: Extrator de características (Feature Extraction)

Transfer Learning e Fine-tuning: Fine-tuning de camadas

Transfer Learning e Fine-tuning: Congelamento de camadas (Layer Freezing)

Transfer Learning e Fine-tuning: Adaptação de modelos a novos domínios

Transfer Learning e Fine-tuning: Datasets e Data Augmentation

Transfer Learning e Fine-tuning: Otimizadores e Taxas de Aprendizado

Transfer Learning e Fine-tuning: Regularização e Evitando Overfitting

Transfer Learning e Fine-tuning: Frameworks de Deep Learning (TensorFlow, Keras, PyTorch)

Transfer Learning e Fine-tuning: Avaliação de modelos e Validação Cruzada

Transfer Learning e Fine-tuning: Transfer Learning em Visão Computacional

Transfer Learning e Fine-tuning: Transfer Learning em Processamento de Linguagem Natural (NLP)

Transfer Learning e Fine-tuning: Desafios e Limitações do Transfer Learning