1. Introdução ao Machine Learning

2. Fundamentos de Python para Data Science

3. Configuração do Ambiente de Desenvolvimento

4. Manipulação de Dados com Pandas

5. Análise Exploratória de Dados com Matplotlib e Seaborn

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

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

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

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

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

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

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

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

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

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

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

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

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

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

6. Conceitos Estatísticos Básicos para Machine Learning

7. Princípios de Aprendizado Supervisionado

7.1. Princípios de Aprendizado Supervisionado: Definição de Aprendizado Supervisionado

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

7.3. Princípios de Aprendizado Supervisionado: Algoritmos de Classificação

7.4. Princípios de Aprendizado Supervisionado: Algoritmos de Regressão

7.5. Princípios de Aprendizado Supervisionado: Métricas de Avaliação de Desempenho

7.6. Princípios de Aprendizado Supervisionado: Validação Cruzada

7.7. Princípios de Aprendizado Supervisionado: Overfitting e Underfitting

7.8. Princípios de Aprendizado Supervisionado: Regularização

7.9. Princípios de Aprendizado Supervisionado: Seleção de Modelos

7.10. Princípios de Aprendizado Supervisionado: Otimização de Hiperparâmetros

7.11. Princípios de Aprendizado Supervisionado: Feature Engineering

7.12. Princípios de Aprendizado Supervisionado: Balanceamento de Classes

7.13. Princípios de Aprendizado Supervisionado: Interpretabilidade de Modelos

7.14. Princípios de Aprendizado Supervisionado: Aplicações Práticas

8. Modelos de Regressão Linear SIMPLES e Múltipla

9. Validação Cruzada e Métricas de Avaliação

10. Modelos de Classificação: Árvores de Decisão e K-NN

11. Avaliação de Modelos de Classificação

12. Ensemble Learning: Bagging, Boosting e Random Forest

13. Otimização de Hiperparâmetros

14. Redução de Dimensionalidade e Análise de Componentes Principais (PCA)

15. Algoritmos de Clustering: K-Means e Hierarchical Clustering

16. Introdução ao Deep Learning e Redes Neurais Artificiais

17. Conceitos de Neurônios e Funções de Ativação

18. Backpropagation e Treinamento de Redes Neurais

18.1. Backpropagation e Treinamento de Redes Neurais: O que é Backpropagation

18.2. Backpropagation e Treinamento de Redes Neurais: Cálculo do Gradiente

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

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

18.5. Backpropagation e Treinamento de Redes Neurais: Funções de Ativação

18.6. Backpropagation e Treinamento de Redes Neurais: Taxa de Aprendizagem

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

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

18.9. Backpropagation e Treinamento de Redes Neurais: Inicialização de Pesos

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

18.11. Backpropagation e Treinamento de Redes Neurais: Batch Normalization

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

18.13. Backpropagation e Treinamento de Redes Neurais: Overfitting e Underfitting

18.14. Backpropagation e Treinamento de Redes Neurais: Validação Cruzada

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

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

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

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

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

19. Otimizadores e Estratégias de Regularização

20. Construindo Redes Neurais com Keras e TensorFlow

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

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

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

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

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

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

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

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

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

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

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

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

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

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

21. Modelos de Deep Learning para Visão Computacional

22. Redes Neurais Convolucionais (CNNs)

23. Transfer Learning e Fine-tuning

23.1. Transfer Learning e Fine-tuning: Definição de Transfer Learning

23.2. Transfer Learning e Fine-tuning: Benefícios do Transfer Learning

23.3. Transfer Learning e Fine-tuning: Cenários de aplicação

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

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

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

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

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

23.9. Transfer Learning e Fine-tuning: Datasets e Data Augmentation

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

23.11. Transfer Learning e Fine-tuning: Regularização e Evitando Overfitting

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

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

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

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

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