Course: Fundamentos de Inteligência Artificial e Machine Learning

Section outline

Select section General

Collapse Expand
General

Collapse all Expand all
- Select activity Visão Geral do Curso
  
  Visão Geral do Curso
  
  Bem-vindo ao curso "Fundamentos de Inteligência Artificial e Machine Learning"! Este curso é projetado para alunos da quarta série e visa fornecer uma compreensão abrangente das tecnologias de IA e aprendizado de máquina, suas aplicações e seu impacto em vários domínios.
  
  Objetivos de Aprendizagem
  
  No final deste curso, irá:
  
  Obtenha informações sobre as tecnologias atuais de IA e suas aplicações.
  
  Avaliar criticamente as possibilidades e limitações da IA a partir de uma perspetiva científica.
  
  Compreender e aplicar conceitos-chave e algoritmos de aprendizagem automática.
  
  Aprenda os conceitos básicos de redes neurais artificiais e suas aplicações na resolução de problemas do mundo real.
Select section 1. Inteligência Artificial (PT)

Collapse Expand
1. Inteligência Artificial (PT)
Introdução

Bem-vindo ao tema da Inteligência Artificial (eng. Artificial Intelligence - AI)! Nesta seção, exploraremos o fascinante mundo da IA, que envolve a criação de sistemas que podem executar tarefas que normalmente exigem inteligência humana. Você aprenderá sobre a história e o desenvolvimento da IA, os conceitos fundamentais e as considerações éticas em torno de seu uso. Também discutiremos os diferentes tipos de IA, incluindo estreita, geral e superinteligência, e como a IA está transformando vários aspetos de nossas vidas diárias.
- Select activity 1.1 O Conceito de Inteligência Artificial
  
  1.1 O Conceito de Inteligência Artificial Page
  
  Students must
  
  View
- Select activity 1.2 O Teste de Turing
  
  1.2 O Teste de Turing Page
  
  Students must
  
  View
- Select activity 1.3 Áreas da Inteligência Artificial
  
  1.3 Áreas da Inteligência Artificial Page
  
  Students must
  
  View
- Select activity 1.4 Regulação da Inteligência Artificial, Desafios Legais e Éticos
  
  1.4 Regulação da Inteligência Artificial, Desafios Legais e Éticos Page
  
  Students must
  
  View
- Select activity 1.5 Estreita, Geral e Superinteligência
  
  1.5 Estreita, Geral e Superinteligência Page
  
  Students must
  
  View
- Select activity Exercício de Introdução: Cadernos de Exercícios Jupyter
  
  Exercício de Introdução: Cadernos de Exercícios Jupyter Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício de introdução: Platforma Google Colab
  
  Exercício de introdução: Platforma Google Colab Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício de Introdução: Bilioteka NumPy, Matplotlib e Pandas
  
  Exercício de Introdução: Bilioteka NumPy, Matplotlib e Pandas Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 1.1: Aplicação da Inteligência Artificial - Usando Programas de IA
  
  Exercício 1.1: Aplicação da Inteligência Artificial - Usando Programas de IA Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 1.2: Aplicação da Inteligência Artificial - Simulando o Teste de Turing
  
  Exercício 1.2: Aplicação da Inteligência Artificial - Simulando o Teste de Turing Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 1.3: Aplicação da Inteligência Artificial - Identificação de Sistemas Baseados em IA
  
  Exercício 1.3: Aplicação da Inteligência Artificial - Identificação de Sistemas Baseados em IA Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 1.4: Aplicação da Inteligência Artificial - Explorando a Superinteligência
  
  Exercício 1.4: Aplicação da Inteligência Artificial - Explorando a Superinteligência Assignment
  
  Students must
  
  Make a submission
Select section 2. Machine Learning (PT)

Collapse Expand
2. Machine Learning (PT)
Introdução

Bem-vindo ao tópico de Machine Learning (ML)! Machine Learning é um subconjunto da IA que se concentra no desenvolvimento de algoritmos que permitem que os computadores aprendam e façam previsões com base em dados. Nesta seção, obterá uma compreensão profunda dos conceitos básicos de Machine Learning, os diferentes tipos de aprendizagem (supervisionada, não supervisionada, semisupervisionada e aprendizagem por reforço) e a importância dos dados nesse processo. Também abordaremos as etapas envolvidas na construção e validação de modelos de Machine Learning e como esses modelos podem ser aplicados para resolver problemas do mundo real.
- Select activity 2.1 A Relação entre Inteligência Artificial e Machine Learning
  
  2.1 A Relação entre Inteligência Artificial e Machine Learning Page
  
  Students must
  
  View
- Select activity 2.2 Programação baseada em dados
  
  2.2 Programação baseada em dados Page
  
  Students must
  
  View
- Select activity 2.3 Conceitos básicos de Machine Learning
  
  2.3 Conceitos básicos de Machine Learning Page
  
  Students must
  
  View
- Select activity 2.4 O processo de Machine Learning
  
  2.4 O processo de Machine Learning Page
  
  Students must
  
  View
- Select activity 2.5 Tipos de Machine Learning
  
  2.5 Tipos de Machine Learning Page
  
  Students must
  
  View
- Select activity 2.6 Dados em Machine Learning
  
  2.6 Dados em Machine Learning Page
  
  Students must
  
  View
- Select activity 2.7 Análise exploratória de dados (EDA)
  
  2.7 Análise exploratória de dados (EDA) Page
  
  Students must
  
  View
- Select activity 2.8 Criando uma representação de um conjunto de dados
  
  2.8 Criando uma representação de um conjunto de dados Page
  
  Students must
  
  View
- Select activity 2.9 Conjuntos de formação, validação e ensaio
  
  2.9 Conjuntos de formação, validação e ensaio Page
  
  Students must
  
  View
- Select activity Exercício 2.A: Conjuntos de dados populares MNIST
  
  Exercício 2.A: Conjuntos de dados populares MNIST Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 2.B: Conjuntos de dados populares - ImageNet
  
  Exercício 2.B: Conjuntos de dados populares - ImageNet Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 2.C: Conjuntos de dados populares - COCO
  
  Exercício 2.C: Conjuntos de dados populares - COCO Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 3: Análise exploratória de um conjunto de dados
  
  Exercício 3: Análise exploratória de um conjunto de dados Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 4: Conjuntos de treino, validação e teste
  
  Exercício 4: Conjuntos de treino, validação e teste Assignment
  
  Students must
  
  Make a submission
Select section 3. Modelos de Treino (PT)

Collapse Expand
3. Modelos de Treino (PT)
Introdução

Bem-vindo ao tema dos Modelos de Aprendizagem! Esta seção mergulha nos vários modelos e técnicas usadas no aprendizado de máquina para resolver diferentes tipos de problemas. Você aprenderá sobre regressão linear, classificação, árvores de decisão e o algoritmo de vizinhos k-mais próximos, entre outros. Discutiremos as características, vantagens e desvantagens de cada modelo e a importância da validação do modelo para garantir precisão e confiabilidade. Através de exercícios práticos, irá aplicar estes modelos a conjuntos de dados reais e interpretar os resultados.
- Select activity 3.1 Regressão linear
  
  3.1 Regressão linear Page
  
  Students must
  
  View
- Select activity 3.2 Descida de gradiente
  
  3.2 Descida de gradiente Page
  
  Students must
  
  View
- Select activity 3.3 Regressão polinomial
  
  3.3 Regressão polinomial Page
  
  Students must
  
  View
- Select activity 3.4 Regressão linear múltipla
  
  3.4 Regressão linear múltipla Page
  
  Students must
  
  View
- Select activity 3.5 Classificação, tipos de classificação e matriz de confusão
  
  3.5 Classificação, tipos de classificação e matriz de confusão Page
  
  Students must
  
  View
- Select activity 3.6 Regressão logística
  
  3.6 Regressão logística Page
  
  Students must
  
  View
- Select activity 3.7 Árvore de decisão
  
  3.7 Árvore de decisão Page
  
  Students must
  
  View
- Select activity 3.8 Algoritmo K-Nearest Neighbor (kNN)
  
  3.8 Algoritmo K-Nearest Neighbor (kNN) Page
  
  Students must
  
  View
- Select activity 3.9 Hiperparâmetros
  
  3.9 Hiperparâmetros Page
  
  Students must
  
  View
- Select activity 3.10 Generalização, subadaptação e sobreadaptação
  
  3.10 Generalização, subadaptação e sobreadaptação Page
  
  Students must
  
  View
- Select activity 3.11 Validação, validação cruzada
  
  3.11 Validação, validação cruzada Page
  
  Students must
  
  View
- Select activity 3.12 Regularização
  
  3.12 Regularização Page
  
  Students must
  
  View
- Select activity Exercício 5.1: Regressão linear
  
  Exercício 5.1: Regressão linear Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 5.2: Descida de gradiente
  
  Exercício 5.2: Descida de gradiente Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 6: Regressão Logística
  
  Exercício 6: Regressão Logística Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 7: Árvore de decisão
  
  Exercício 7: Árvore de decisão Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 8: O algoritmo do vizinho k-mais próximo
  
  Exercício 8: O algoritmo do vizinho k-mais próximo Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 9: Validação
  
  Exercício 9: Validação Assignment
  
  Students must
  
  Make a submission
Select section 4. Neural Networks (PT)

Collapse Expand
4. Neural Networks (PT)
Introdução

Bem-vindo ao tema das Redes Neurais! As redes neurais são um componente-chave do deep learning, um subconjunto do aprendizado de máquina que imita a estrutura e a função do cérebro humano. Nesta seção, você aprenderá sobre os elementos básicos das redes neurais, incluindo neurônios, camadas e funções de ativação. Exploraremos diferentes tipos de arquiteturas de redes neurais, como redes neurais convolucionais e recorrentes, e suas aplicações na resolução de problemas complexos. Você também ganhará experiência prática em treinamento e teste de redes neurais usando ferramentas e estruturas populares.
- Select activity 4.1 Redes neurais
  
  4.1 Redes neurais Page
  
  Students must
  
  View
- Select activity 4.2 Formação de redes neurais
  
  4.2 Formação de redes neurais Page
  
  Students must
  
  View
- Select activity 4.3 Redes Neurais Convolucionais (CNN)
  
  4.3 Redes Neurais Convolucionais (CNN) Page
  
  Students must
  
  View
- Select activity 4.4 Redes neurais recorrentes
  
  4.4 Redes neurais recorrentes Page
  
  Students must
  
  View
- Select activity 4.5 Algoritmo K-Means
  
  4.5 Algoritmo K-Means Page
  
  Students must
  
  View
- Select activity Exercício 10: Treinar redes neurais
  
  Exercício 10: Treinar redes neurais Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 11: Tarefa de Classificação de Rede e Imagem VGG-16
  
  Exercício 11: Tarefa de Classificação de Rede e Imagem VGG-16 Assignment
  
  Students must
  
  Make a submission
- Select activity Exercício 12: Algoritmo K-Means
  
  Exercício 12: Algoritmo K-Means Assignment
  
  Students must
  
  Make a submission
Select section 5. Reference

Collapse Expand
5. Reference
- Select activity GitHub repostitory
  
  GitHub repostitory URL
  
  https://github.com/AIForVet/aiml
- Select activity ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN
  
  ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN File DOCX
  
  Students must
  
  View
- Select activity ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN
  
  ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN File PDF
  
  Students must
  
  View
- Select activity Curriculum: Fundamentals of Artificial Intelligence and Machine Learning
  
  Curriculum: Fundamentals of Artificial Intelligence and Machine Learning Folder
  
  Students must
  
  Mark as done
- Select activity https://scikit-learn.org/
  
  https://scikit-learn.org/ URL
  
  Students must
  
  View
- Select activity https://petlja.org/sr-Latn-RS/kurs/11203/0
  
  https://petlja.org/sr-Latn-RS/kurs/11203/0 URL
  
  Students must
  
  View
- Select activity Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow -Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-Aurélien-Géron-O’Reilly-Media-2019
  
  Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow -Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-Aurélien-Géron-O’Reilly-Media-2019 File PDF
  
  Students must
  
  Mark as done
- Select activity machine-learning-and-artificial-intelligence-1st-ed-2020-978-3-030-26621-9-978-3-030-26622-6 compress
  
  machine-learning-and-artificial-intelligence-1st-ed-2020-978-3-030-26621-9-978-3-030-26622-6 compress File PDF
  
  Students must
  
  Mark as done
- Select activity Explorations in Artificial Intelligence and Machine Learning
  
  Explorations in Artificial Intelligence and Machine Learning URL
  
  Students must
  
  Mark as done
- Select activity Machine Learning For Absolute Beginners
  
  Machine Learning For Absolute Beginners File PDF
  
  Students must
  
  Mark as done
- Select activity Artificial Intelligence A Modern Approach 3rd
  
  Artificial Intelligence A Modern Approach 3rd File PDF
  
  Students must
  
  Mark as done
- Select activity Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
  
  Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville URL
  
  Students must
  
  Mark as done
- Select activity Hands-On AI Projects for the Classroom
  
  Hands-On AI Projects for the Classroom File PDF
  
  Students must
  
  Mark as done
- Select activity Book
  
  Book
  
  Students must
  
  View
Select section Map of content

Collapse Expand
Map of content

Section outline

General

Visão Geral do Curso

Objetivos de Aprendizagem

1. Inteligência Artificial (PT)

2. Machine Learning (PT)

3. Modelos de Treino (PT)

4. Neural Networks (PT)

5. Reference

Map of content