Inteligência Artificial

Nivel 1

• Python para Ciência de Dados:
  • Python é uma linguagem de programação interpretada de alto nível e que suporta múltiplos paradigmas de programação, como imperativo, orientado a objetos e funcional. É uma linguagem com tipagem dinâmica e gerenciamento automático de memória.
  • Aprender lógica de programação em Python
  • Aprenda os fundamentos da linguagem como variáveis, funções, listas, condicionais e imports
  • Criar análises de dados
  • Utilizar o Matplotlib para gerar gráficos
  • Usar e manipular listas para agrupar dados
  • Conhecer a biblioteca NumPy
  • Conhecer a biblioteca Pandas
• Python - Coleções:
  • Uma coleção representa um grupo de objetos, conhecidos como seus elementos. Eles são como recipientes que agrupam vários itens em uma única unidade. Algumas coleções permitem a duplicação de elementos e outras não. Algumas são ordenadas e outras não ordenadas.
  • Utilizar listas e tuplas
  • Utilizar polimorfismo nas coleções
  • Utilizar conjuntos e dicionários
• Jupyter & Colab notebooks:
  • Jupyter Notebook e Google Colaboratory são Notebooks que permitem a criação de blocos de texto e blocos de código
  • Os Notebooks facilitam a elaboração de projetos de Data Science por ser possível visualizar o resultado da execução logo após o trecho de código
  • O Google Colaboratory permite escrever e executar códigos Python diretamente no navegador, sem nenhuma ou poucas configurações necessárias
  • Essas ferramentas facilitam o compartilhamento de projetos entre o time
• Regressão Linear e Logística:
  • As regressões são os métodos mais simples de aprendizado supervisionado, porém encontram diversas aplicações.
  • A regressão linear é usada para relacionar uma variável dependente contínua a uma ou mais variáveis independentes contínuas. O objetivo é encontrar uma relação linear que melhor se ajuste aos dados.
  • A regressão logística, por outro lado, é usada para problemas de classificação binária, onde a variável de saída é categórica e possui apenas duas categorias. Ela estima a probabilidade de um evento ocorrer com base nas variáveis independentes.
• Estatística e Matemática - Fundamentos:
  • Equações, funções e limites
  • Logaritmos
  • Matrizes, determinantes, vetores e espaço vetorial
  • Derivadas e integrais
  • Diferença entre média, mediana e moda
  • Distribuição de frequência
  • Variância e desvio padrão
  • Distribuição binomial, poisson e normal
  • Nível e intervalo de confiança
  • Técnicas de amostragem
  • Regressão linear
  • Séries temporais
• Machine Learning - Fundamentos:
  • O Aprendizado de Máquina ou Machine Learning é um subcampo da Engenharia e da Ciência da Computação que evoluiu do estudo de reconhecimento de padrões e da teoria do aprendizado computacional em inteligência artificial.
  • Aprendizado supervisionado
  • Utilizar algoritmos de classificação
  • Utilizar algoritmos de regressão
  • Utilizar o Scikit-learn para criar modelos de machine learning

• Machine Learning - Aprendizado Não Supervisionado:

• Naive Bayes:

Nivel 2

• Previsão de Séries temporais:

• Deep Learning:

• Visão Computacional:

• Redes Neurais Convolucionais:

• Redução de Dimensionalidade:

• Machine Learning - Aprendizado por Transferência:

• Machine Learning - Regularização:

• Chatbots:

• Machine Learning - Máquina de Vetores de Suporte:

• Segmentação Semântica e Instanciada de Imagens:

• Visão Computacional - Extração de Características:

Nivel 3

• Processamento de Linguagem Natural:

• Redes Neurais Recorrentes:

• Redes Adversárias Generativas (GANs):

• Viés Cognitivo e IA Responsável:

• Lógica Fuzzy:

• Automação com IA:

• XGBoost:

Habilidade Auxiliar: Business e Serviços

• Big Data e Engenharia de Dados:

• Git e GitHub - Fundamentos:

• Governança em IA e Business Analytics:

• Plataformas e Serviços Cognitivos:

• SQL - Fundamentos:

• Cloud - Fundamentos:

• Habilidades de comunicação:

Habilidade Auxiliar: Hardware e Eletrônica

• Robótica na IA - Fundamentos:

• Hardwares para IA:

• Computação Paralela & Clusters:

• Internet das Coisas (IoT) - Fundamentos:

• Wearables e Aquisição de Dados: