Fundamentos da Inteligência Artificial

Este curso fornece uma cobertura essencial de inteligência artificial e neural em redes em um inglês simples e fácil de entender. O curso oferece cobertura concreta das partes primárias da IA, incluindo abordagens de aprendizagem, áreas funcionais para as quais os sistemas de IA são usados ​​e uma introdução completa para redes neurais, como existem, como funcionam e como podem ser usadas para processar informações. O curso estabelece os cinco negócios principais, requisitos para os quais sistemas de IA e redes neurais são usados ​​e, em seguida, mapas, práticas individuais, abordagens de aprendizagem, funcionalidades e rede neural, tipos para essas categorias de negócios e entre si, de modo que haja uma clara compreensão do propósito e função de cada tópico abordado. O curso estabelece ainda um processo passo a passo para a montagem de um sistema de IA, ilustrando assim como e quando as diferentes práticas e componentes da IA, sistemas com redes neurais precisam ser definidos e aplicados. Finalmente, o curso fornece um conjunto de princípios básicos e práticas recomendadas para projetos de IA.

Os principais tópicos abrangidos são:

• Motivadores de negócios e tecnologia de IA, benefícios e desafios de IA;
• Categorias de problemas de negócios abordadas por IA, tipos de IA (estreito, geral, Simbólico, Não Simbólico, etc.);
• Abordagens e algoritmos comuns de aprendizagem de IA;
• Aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem contínua;
• Aprendizagem Heurística, Aprendizagem Semi-Supervisionada, Aprendizagem por Reforço;
• Projetos funcionais comuns de IA, visão computacional, reconhecimento de padrões;
• Robótica e Processamento de Linguagem Natural (PNL);
• Reconhecimento de fala e compreensão da linguagem natural (NLU);
• Integração sem atrito e Integração do modelo de tolerância a falhas;
• Redes Neurais, Neurônios, Camadas, Links e Pesos;
• Noções básicas sobre modelos de IA e modelos de treinamento em redes neurais;
• Compreender como existem modelos e redes neurais;
• Perda, hiperparâmetros, taxa de aprendizagem e polarização;
• Funções de ativação (Sigmoid, Tanh, ReLU, Leaky RelU, Softmax, Softplus);
• Tipos de células neuronais (entrada, retroalimentação, ruidosa, oculta, probabilística, spiking recorrente, memória, kernel, convolução, pool, saída, entrada de correspondência, etc.);
• Arquiteturas de redes neurais fundamentais e especializadas;
• Perceptron, Feedforward, Deep Feedforward, AutoEncoder, Recorrente, Memória de longo / curto prazo;
• Máquina Boltzmann, Máquina Boltzmann restrita, Deep Belief Network;
• Deep Convolutional Network, Extreme Learning Machine, Deep e Rede Residual;
• Suporte Vector Machine, Rede Kohonen, Rede Hopfield;
• Rede Adversarial Generativa, Máquina de Estado Líquido, Como Construir um
• Sistema AI (passo a passo);
• Princípios de design de sistema de IA comum e IA comum;
• Melhores Práticas de Projeto.

Inteligência Artificial Avançada

Este curso cobre uma série de práticas para preparar e trabalhar com dados para treinar e operar sistemas de IA e redes neurais contemporâneas. Isto fornece ainda técnicas para projetar e otimizar redes neurais, incluindo abordagens para medir e ajustar o modelo de rede neural em atuação. As práticas e técnicas são documentadas como design padrões que podem ser aplicados individualmente ou em diferentes combinações para abordar uma variedade de problemas e requisitos comuns do sistema de IA. Os padrões são ainda mapeados para as abordagens de aprendizagem, áreas funcionais e tipos de rede neural que foram introduzidos no Módulo 1: Fundamentos de Inteligência artificial.

Os principais tópicos abrangidos são:

• Padrões de Wrangling de Dados para Preparação de Dados para Entrada de Rede Neural;
• Codificação de recurso para conversão de recursos categóricos;
• Imputação de recursos para inferir valores de recursos;
• Escalonamento de recursos para conjuntos de dados de treinamento com amplos recursos;
• Representação de texto para converter dados enquanto preserva a semântica e Propriedades Sintáticas;
• Redução de dimensionalidade para reduzir o espaço de recursos para Entrada de rede neural;
• Padrões de aprendizagem supervisionada para treinamento de modelos de rede neural;
• Configuração de rede supervisionada para estabelecer o número de
• Neurônios em camadas de rede;
• Identificação de imagem para usar uma rede neural convulcional;
• Identificação de sequência para usar uma memória de longo prazo em Rede neural;
• Padrões de aprendizagem não supervisionados para o treinamento de modelos de rede neural;
• Identificação de padrões para identificar visualmente padrões por meio de um Mapa Auto Organizável;
• Filtragem de conteúdo para geração de recomendações;
• Padrões de avaliação de modelo para medir o desempenho da rede neural;
• Avaliação de desempenho de treinamento para avaliação de rede neural;
• Avaliação de desempenho de previsão para rede neural de previsão;
• Desempenho na Produção;
• Modelagem de linha de base para avaliação e comparação de complexas Redes neurais;
• Padrões de otimização de modelo para refinamento e adaptação de redes neurais;
• Prevenção de sobre ajuste para ajustar uma rede neural;
• Reciclagem frequente do modelo para manter uma rede neural em sincronia com Dados Atuais;
• Transferência de aprendizagem para acelerar o treinamento da rede neural.

Laboratório de Inteligência Artificial

Este módulo do curso apresenta aos participantes uma série de exercícios e problemas que são projetados para testar sua capacidade de aplicar seus conhecimentos dos tópicos abordados em cursos anteriores. Completando este laboratório irá melhorar ainda mais a proficiência em sistemas de IA, rede neural, arquiteturas e aprendizado relacionados a práticas funcionais e padrões, à medida que são aplicados e combinados para resolver uma série de problemas do mundo real.

Para a entrega deste curso de laboratório ministrado por instrutor, o Instrutor Certificado trabalha em estreita colaboração com os participantes para garantir que todos os exercícios sejam realizados de forma completa e precisa. Os participantes podem voluntariamente ter os exercícios revisados ​​e avaliados como parte da conclusão da aula. Para a conclusão individual deste curso como parte de um kit de estudo, vários suplementos são fornecidos para ajudar os participantes a realizar exercícios com orientação.