Visão Geral

O Curso AI Fundamentals with Python introduz os conceitos essenciais de Inteligência Artificial (IA), explorando suas principais áreas e aplicações práticas utilizando a linguagem Python. O participante aprenderá os fundamentos de aprendizado de máquina, redes neurais, processamento de linguagem natural e visão computacional, aplicando técnicas e bibliotecas amplamente utilizadas no mercado, como scikit-learn, TensorFlow, Keras e OpenCV.

Objetivo

Após realizar este curso AI Fundamentals with Python, você será capaz de:

• Compreender os principais conceitos e tipos de Inteligência Artificial
• Aplicar algoritmos de aprendizado supervisionado e não supervisionado
• Criar e treinar modelos simples de machine learning
• Utilizar bibliotecas Python para IA e análise de dados
• Entender os fundamentos de redes neurais e deep learning

Publico Alvo

• Estudantes,
• Desenvolvedores,
• Analistas de dados,
• Engenheiros e profissionais de tecnologia que desejam compreender os princípios da Inteligência Artificial e iniciar sua jornada prática utilizando Python.

Pre-Requisitos

• Conhecimentos básicos de Python
• Noções de matemática e estatística (álgebra linear, probabilidade e cálculo básico)
• Familiaridade com conceitos de dados e lógica de programação

Materiais

Conteúdo Programatico

Introduction to Artificial Intelligence

1. Definition, history, and evolution of AI
2. AI applications in real-world scenarios
3. Differences between AI, ML, and Deep Learning

Python for AI Development

1. Setting up the environment (Anaconda, Jupyter, VS Code)
2. Python libraries for AI: NumPy, Pandas, Matplotlib
3. Data preprocessing and feature engineering

Supervised Learning

1. Regression algorithms (Linear, Polynomial, Logistic)
2. Classification techniques (Decision Trees, SVM, KNN)
3. Model evaluation: accuracy, precision, recall, F1 score

Unsupervised Learning

1. Clustering methods (K-Means, DBSCAN, Hierarchical)
2. Dimensionality reduction (PCA)
3. Applications of unsupervised models

Introduction to Neural Networks

1. Basic architecture and activation functions
2. Building a simple neural network with Keras
3. Training and evaluating neural models

Deep Learning Overview

1. Concepts of deep neural networks
2. Overview of CNNs and RNNs
3. When to use deep learning vs. traditional ML

Natural Language Processing (NLP) Basics

1. Text preprocessing and tokenization
2. Sentiment analysis and text classification with Python

Computer Vision Fundamentals

1. Image handling with OpenCV
2. Feature detection and image classification

Model Deployment and Evaluation

1. Saving and loading trained models
2. Deploying simple AI models using Flask or Streamlit

Ethics and Future of AI

1. Responsible AI and bias mitigation
2. The future of AI and emerging trends