Capa do Ebook gratuito Machine Learning e Deep Learning com Python

Ebook gratuitoMachine Learning e Deep Learning com Python

5

(2)

112 páginas9 horas e 6 minutos

Iniciar curso gratuito

Conteúdo do curso

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

6

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

7

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

8

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

9

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

10

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

11

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

12

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

13

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

14

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

15

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

16

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

17

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

18

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

19

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

20

Conceitos Estatísticos Básicos para Machine Learning

21

Princípios de Aprendizado Supervisionado

22

Princípios de Aprendizado Supervisionado: Definição de Aprendizado Supervisionado

23

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

24

Princípios de Aprendizado Supervisionado: Algoritmos de Classificação

25

Princípios de Aprendizado Supervisionado: Algoritmos de Regressão

26

Princípios de Aprendizado Supervisionado: Métricas de Avaliação de Desempenho

27

Princípios de Aprendizado Supervisionado: Validação Cruzada

28

Princípios de Aprendizado Supervisionado: Overfitting e Underfitting

29

Princípios de Aprendizado Supervisionado: Regularização

30

Princípios de Aprendizado Supervisionado: Seleção de Modelos

31

Princípios de Aprendizado Supervisionado: Otimização de Hiperparâmetros

32

Princípios de Aprendizado Supervisionado: Feature Engineering

33

Princípios de Aprendizado Supervisionado: Balanceamento de Classes

34

Princípios de Aprendizado Supervisionado: Interpretabilidade de Modelos

35

Princípios de Aprendizado Supervisionado: Aplicações Práticas

36

Modelos de Regressão Linear SIMPLES e Múltipla

37

Validação Cruzada e Métricas de Avaliação

38

Modelos de Classificação: Árvores de Decisão e K-NN

39

Avaliação de Modelos de Classificação

40

Ensemble Learning: Bagging, Boosting e Random Forest

41

Otimização de Hiperparâmetros

42

Redução de Dimensionalidade e Análise de Componentes Principais (PCA)

43

Algoritmos de Clustering: K-Means e Hierarchical Clustering

44

Introdução ao Deep Learning e Redes Neurais Artificiais

45

Conceitos de Neurônios e Funções de Ativação

46

Backpropagation e Treinamento de Redes Neurais

47

Backpropagation e Treinamento de Redes Neurais: O que é Backpropagation

48

Backpropagation e Treinamento de Redes Neurais: Cálculo do Gradiente

49

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

50

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

51

Backpropagation e Treinamento de Redes Neurais: Funções de Ativação

52

Backpropagation e Treinamento de Redes Neurais: Taxa de Aprendizagem

53

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

54

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

55

Backpropagation e Treinamento de Redes Neurais: Inicialização de Pesos

56

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

57

Backpropagation e Treinamento de Redes Neurais: Batch Normalization

58

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

59

Backpropagation e Treinamento de Redes Neurais: Overfitting e Underfitting

60

Backpropagation e Treinamento de Redes Neurais: Validação Cruzada

61

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

62

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

63

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

64

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

65

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

66

Otimizadores e Estratégias de Regularização

67

Construindo Redes Neurais com Keras e TensorFlow

68

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

69

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

70

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

71

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

72

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

73

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

74

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

75

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

76

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

77

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

78

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

79

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

80

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

81

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

82

Modelos de Deep Learning para Visão Computacional

83

Redes Neurais Convolucionais (CNNs)

84

Transfer Learning e Fine-tuning

85

Transfer Learning e Fine-tuning: Definição de Transfer Learning

86

Transfer Learning e Fine-tuning: Benefícios do Transfer Learning

87

Transfer Learning e Fine-tuning: Cenários de aplicação

88

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

89

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

90

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

91

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

92

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

93

Transfer Learning e Fine-tuning: Datasets e Data Augmentation

94

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

95

Transfer Learning e Fine-tuning: Regularização e Evitando Overfitting

96

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

97

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

98

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

99

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

100

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

Descrição do curso

O curso "Machine Learning e Deep Learning com Python" é uma jornada abrangente e detalhada no mundo da Inteligência Artificial e Ciência de Dados, inserido na categoria de Informática (TI). Composto por 112 páginas repletas de conhecimento, este curso é ideal para aqueles que desejam mergulhar no universo do Machine Learning e Deep Learning usando Python como a principal ferramenta de desenvolvimento.

A introdução ao Machine Learning estabelece uma base sólida, permitindo que os participantes compreendam os princípios fundamentais desta tecnologia revolucionária. Em seguida, o curso aborda os Fundamentos de Python para Data Science, equipando os alunos com as habilidades necessárias para manipulação e análise de dados.

A configuração do ambiente de desenvolvimento é uma etapa crucial, envolvendo a instalação e a escolha das ferramentas certas para garantir um fluxo de trabalho eficiente. Uma vez preparado o ambiente, o curso se aprofunda na Manipulação de Dados com Pandas, uma biblioteca essencial para a análise de dados em Python.

O curso também dedica uma parte significativa à Análise Exploratória de Dados utilizando Matplotlib e Seaborn. Esta seção abrangente inclui desde a importação e inspeção inicial dos dados até a criação de sofisticadas visualizações como histogramas, boxplots, scatter plots, gráficos de linha para séries temporais e muito mais. A personalização de gráficos e a interpretação dos resultados obtidos são igualmente abordadas, garantindo que os alunos possam extrair insights valiosos dos seus dados.

Além da análise exploratória, os Conceitos Estatísticos Básicos para Machine Learning fornecem uma base teórica necessária para entender os modelos algorítmicos apresentados posteriormente. Os Princípios de Aprendizado Supervisionado são explorados em profundidade, abrangendo desde a definição e divisão dos conjuntos de dados até os algoritmos de classificação e regressão, passando por diversas técnicas de validação e otimização.

O curso não deixa de fora temas avançados como Ensemble Learning, a Redução de Dimensionalidade com PCA, e diferentes algoritmos de Clustering, os quais são fundamentais para a análise e segmentação de dados complexos.

Ao entrar na área de Deep Learning, os estudantes são introduzidos aos conceitos de Neurônios e Funções de Ativação, seguidos de uma análise detalhada sobre Backpropagation e o treinamento de Redes Neurais. Técnicas avançadas como a utilização de Redes Neurais Recorrentes (RNN) e otimização através do Transfer Learning são discutidas para maximizar a eficácia dos modelos desenvolvidos.

O curso também explora a construção de Redes Neurais com Keras e TensorFlow, integrando essas poderosas bibliotecas para o desenvolvimento de modelos práticas para tarefas de classificação, regressão, processamento de linguagem natural (PLN) e visão computacional.

Por fim, o curso aborda aspectos essenciais da implantação em produção e monitoramento de modelos de Machine Learning, discutindo estratégias para lidar com dados desbalanceados, interpretabilidade dos modelos, ética e viés em Machine Learning, e se conclui com estudos de casos práticos e aplicações reais, preparando os alunos para enfrentar desafios do mundo real com confiança.

Este curso gratuito inclui:

9h06m de curso online gratuito em áudio

112 páginas de conteúdo

Certificado digital de conclusão de curso

Exercícios para treinar seus conhecimentos

Baixe o Aplicativo agora para ter acesso a + de 3300 cursos gratuitos, exercícios, certificado e muito conteúdo sem pagar nada!

  • Cursos online 100% gratuitos do início ao fim

    Milhares de cursos online em vídeo, cursos em áudio ou texto.

  • Mais de 48 mil exercícios gratuitos

    Para testar seus conhecimentos no decorrer dos cursos online

  • Certificado Digital gratuito válido em todo o Brasil

    Gerado diretamente na galeria de fotos do seu celular e enviado ao seu e-mail

Aplicativo Cursa na tela de ebook, na tela de curso em vídeo e na tela de exercícios do curso, mais o certificado de conclusão de curso

+ de 6,5 milhões
de alunos

Certificado Gratuito e
Válido em todo o Brasil

48 mil exercícios
gratuitos

4,8/5 classificação
nas lojas de apps

Cursos gratuitos em
vídeo, áudio e texto