|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/inteligencia-artificial-e-machine-learning/
课程评论：没有评论
课程名称：完整的人工智能培训 - 2025 课程概述：这是一个全面的课程，涵盖了从机器学习到大型语言模型（LLMs）、生成式人工智能、智能体、深度学习、遗传算法等诸多主题。人工智能正在改变我们熟知的世界，并因此创造了大量的商业机会和就业机会！不要错过这个最全面、最实用的人工智能课程，它将理论与实践结合，帮助你提升知识水平，使你能够实施程序来使计算机变得智能化。 课程内容： - 课程包括超过170节课 - 60多项实践实施，包含可下载的源代码 - 固定问题和实践活动 - 课程幻灯片可供下载 - 包含可选的Python基础课程 学习内容包括： 1. **机器学习基础**：类型和应用、性能评估、聚类、关联规则。 2. **机器学习算法**：相关性与回归、朴素贝叶斯、贝叶斯网络、决策树、基于群体的学习、基于实例的学习、最近邻算法、K均值、Apriori算法。 3. **高级机器学习主题**：特征工程、主成分分析（PCA）、特征选择、高级聚类技术、多标签分类、不平衡数据集、自动机器学习和模型调优。 4. **神经网络、深度学习与计算机视觉**：神经网络基础、感知器、深度学习、超参数、卷积神经网络（CNN）、递归神经网络（LSTM）、自编码器。 5. **可解释的机器学习**：概念、白盒模型、黑盒模型、特征重要性、LIME、Eli5、Shap、解释过程。 6. **自然语言处理（NLP）**：语料库、标记、注释、标记化、词性标注（POS）、词形还原、依赖解析。 7. **大型语言模型与生成式人工智能**：LLM、Hugging Face、Open AI与GPT、Whisper和DALL-E。 8. **智能代理与RAG**：使用LangChain创建智能代理的RAG技术。 9. **异常检测**：统计技术：z-score、IQR，机器学习孤立森林、局部离群因子、深度学习：自编码器、LSTM、季节性和趋势分解（std）、时间序列：ARIMA、移动平均、指数平滑。 10. **遗传算法**：生物演化、遗传算法基础、技术、搜索与优化、基础知识、爬山算法、广度优先搜索（BFS）和深度优先搜索（DFS）、禁忌搜索、模拟退火。 11. **搜索与优化算法**：爬山算法、BFS、DFS、路径、禁忌搜索和模拟退火。 12. **模糊逻辑**：模糊集合、推理、语言变量。 使用的库/语言包括：Python、Keras、PyTorch、TensorFlow、Hugging Face、LangChain、SciPy、Scikit-Learn、OpenAI、Whisper、Pandas、Google Gemini、H2O。 祝学习愉快！ Fernando Amaral
Tudo em um único curso: Machine Learngs a LLMs, IA Generativas, Agentes, Deep Learning, Algortimos Genéticos e muito mais!A Inteligência Artificial esta mudando o mundo como conhecemos, e consequentemente criando oportunidades de negócio e milhares de oportunidades no mercado de trabalho! Não fique de fora, conheça o mais completo e abrangente curso em Inteligência Artificial, que alia teoria e prática, e que vai levar você a um outro nível de conhecimento, com capacidade de implementar programas para tornar computadores inteligentes. O curso é composto de:Mais de 170 aulas!Mais de 60 Implementação Práticas com Python com código fonte para baixarQuestões de fixaçãoAtividades PráticasAlém do código fonte, slides do curso disponíveis para downloadInclui também um curso de Fundamentos de Python (Opcional)Veja o que você vai estudar:Fundamentos de Machine Learning: Tipos e Aplicações, Avaliação de Performance, Clusters, Regras de AssociaçãoAlgoritmos de Machine Learning: Correlação e Regressão, Naive Bayes, Redes Bayesianas, Árvores de Decisão, Aprendizado Baseado em Grupos, Aprendizado Baseado em Instâncias, Vizinho Mais Próximo, K-means, AprioriTópicos Avançados em Machine Learning: Engenharia de Atributos, PCA, Seleção de Atributos, Técnicas Avançadas de Clusters, Classificação Multi Label, Datasets Desbalanceados, AutoML e Tunning de ModelosRedes Neurais, Deep Learning e Visão Computacional: Fundamentos de Redes Neurais, Perceptron,Deep Learning, Hiper Parâmetros, Redes Neurais Convolucionais (CNN), Redes Neurais Recorrentes (LSTM), AutoencodersMachine Learning Explicável: Conceitos, Modelos White-box, Modelos Black-box, Feature Importance, LIME, Eli5, Shap, InterpretProcessamento de Linguagem Natural (NLP) Corpus, Tokens, Annotations, Tokenization, Parts-of-Speech Tagging (POS), Lemmatizing (Lemma), Dependency Parsing.LLMs e Inteligência Artificial Generativa: LLM, Huggin Face, Open AI e GPT, Whisper e DALL-EAgente de IA e RAGS: Crie Agentes de IA com técnicas de RAG usando LangChainDetecção de Anomalias: Técnicas Estatísticas: z-score, IQR, Machine Learning isolation forest, lof, Deep Learning: autoencoders, lstm, Seasonal and Trend Decomposition (std), Time Series: arima, media móvel , exponencial smoothingAlgoritmos Genéticos: Evolução Biológica, Fundamentos de AG, Técnicas, Busca e Otimização, Fundamentos, Hill Climbing, BFS e DFS, Tabu Search, Simulated Annealing Algoritmos de Busca e Otimização: Hill Climbing, BFS, DFS, Caminhos, Tabu Search e Simulated AnnealingLógica Difusa: Conjuntos Difusos, Inferência, Variáveis LinguísticasAlgumas bibliotecas/linguagens usadas:Python, Keras, Pytorch, TensorFlow, Hugging Face, Langchain, Scipy, SkitLearn, OpenAI, Whisper, Pandas, Google Gemini, H2OBons estudos!Fernando Amaral
