Em parceria com Intel AI Academy
Aula 1
• Redes Neurais Artificiais
o Introdução a Redes Neurais
o Definição e conceitos
o Características básicas
o História
o Redes Perceptron
o Redes Multilayer Perceptron
o Funções de Ativação
• Cases Práticos
o Previsão do preço de aparelhos celulares
Aula 2
• Algoritmos de Aprendizado
o Aprendizado de Hebb, Competitivo, Boltzmann, Backpropagation.
• Aprendizado Supervisionado
o Classificação e Regressão
• Convergência e Generalização
• Problemas comuns: definição do tamanho da rede, paralisia da rede e mínimos locais
• Taxa de aprendizado e momento
• Cases Práticos
o Marketing
o Detecção de intrusão
Aula 3
• Redes de aprendizagem profunda
o Conceitos básicos
o Arquitetura
o Avanços
o Desafios
o Aplicações
• Cases Práticos
o Câncer de mama
o Churn
Aula 4
• Redes Convolucionais
o Os conceitos básicos
o Processamento de imagens
o Visão computacional
o Aplicações
• Cases Práticos
o Reconhecimento de cachorros e gatos através de imagens
Aula 5
• Redes Convolucionais
o Aplicações em diferentes áreas do conhecimento
Aula 6
• Data Augmentation
o Geração de dados
o Transformações
• Modelos Pré-treinados
o AlexNet
o VGG
o ResNet
• Trasfer Learning
• Cases Práticos
Aula 7
• Processamento de Linguagem Natural
Aula 8
• Autoencoder
o Conceitos básicos
o Overcomplete autoencoder
o Undercomplete autoencoder
o Sparse autoencoder
o Denoising autoencoder
o Contractive autoencoder
o Stacked autoencoder
o Deep autoencoder
o Aplicações
• Cases
o Mnist
o Mnist fashion
Aula 9
• Redes Neurais Recorrentes
• LSTM
Aula 10
• Processamento de Linguagem Natural
• Text Mining
Aula 11
• Processamento de Linguagem Natural – Avançado
Aula 12
• Processamento de Linguagem Natural - Exercícios
Aula 13
• Amostragem
• Cases Práticos
o Proxy por RN
Aula 14
• Generative Adversarial Neural Network - GAN
Aula 15 – Oficina Prática