Matplotlib e Seaborn — Visualização de Dados
Os gráficos que aparecem de fato num projeto de ML: explorar os dados, comunicar resultados e diagnosticar o modelo com Matplotlib e Seaborn.
Curso
AI Programming with Python
Curso completo de programação em Python aplicada a IA: fundamentos da linguagem, NumPy, pandas, Matplotlib, álgebra linear, redes neurais e PyTorch.
31 aulas
Introdução ao Machine Learning
O vocabulário e o fluxo que atravessam o curso: supervisionado e não supervisionado, treino e teste, overfitting — e o primeiro modelo no Scikit-learn.
Regressão Linear e Logística
Regressão linear para valores contínuos e logística para classificação, implementadas do zero com NumPy e depois com Scikit-learn, com a matemática à vista.
Árvores de Decisão e Random Forest
Como uma árvore escolhe cada divisão, onde ela quebra por excesso de variância, e como o Random Forest contorna esse limite juntando muitas árvores.
Avaliação de Modelos e Validação Cruzada
Um modelo mal avaliado é pior do que nenhum modelo — você toma decisões baseadas em uma performance que não existe na prática.
Pipelines e Projeto Completo de ML
O Pipeline do Scikit-learn embalando pré-processamento e modelo num objeto só, busca de hiperparâmetros com Grid e Randomized Search, e um projeto completo.
Fundamentos de Redes Neurais
A rede neural construída do zero com NumPy: perceptron, funções de ativação, forward pass e inicialização de pesos, antes de o PyTorch resolver tudo numa linha.
Gradiente Descendente e Backpropagation
Backpropagation derivado na mão e implementado do zero: como o gradiente volta pela rede, o vanishing gradient, dropout, weight decay e early stopping.
PyTorch — Tensores e Autograd
Os tensores do PyTorch e o autograd: GPU, grafo dinâmico e a diferenciação automática que substitui o backpropagation escrito à mão.
Treinamento de Redes Neurais com PyTorch
O loop de treinamento que se usa em projeto real: datasets próprios, schedulers, gradient clipping, early stopping e o checkpoint pronto para deploy.
CNNs — Redes Convolucionais para Imagens
A convolução como resposta ao custo de tratar imagem com rede densa, e o caminho até data augmentation e transfer learning numa CNN de produção.
RNNs e LSTMs — Dados Sequenciais
Redes com memória: o estado que a RNN carrega, o gradiente que se dissolve nele, e as quatro portas com que a LSTM resolve o problema.