Visão Geral

Curso Artificial Intelligence AI Bootcamp, As empresas que não estão olhando seriamente para a inteligência artificial (IA) podem esperar perder terreno para seus concorrentes em 2023.

O impacto da inteligência artificial nos negócios chegou ao ponto de se tornar uma ferramenta essencial – como as quatro pernas de uma cadeira.

Isso porque, quando usada adequadamente, a tecnologia de IA reduz os custos operacionais, aumenta a eficiência, aumenta a receita e melhora a experiência do cliente.

Em um estudo da Infosys , a principal força motriz para o uso da IA ​​nos negócios foi a vantagem competitiva. Depois disso, o incentivo veio de:

• Uma decisão liderada pelo executivo
• Um problema comercial, operacional ou técnico específico
• Um experimento interno
• Demanda do cliente
• Uma solução inesperada para um problema
• Uma ramificação de outro projeto

A essência da inteligência artificial e por que ela é importante para as organizações é esta: a inteligência artificial usa uma grande quantidade de dados para identificar padrões e projeções, bem como avaliar cenários de decisão. Além disso, a tecnologia de IA está tirando a tecnologia digital da tela bidimensional e trazendo-a para o ambiente físico tridimensional que envolve um indivíduo.

Os CEOs que perceberam os benefícios da inteligência artificial tendem a vê-la como a “segunda vinda do software”. Em outras palavras, é uma forma de software que toma decisões por conta própria, podendo agir mesmo em situações não previstas pelos programadores.

Também é importante entender que o investimento em IA está crescendo. O Relatório do Índice de Inteligência Artificial de Stanford revela que o investimento privado em artificial atingiu um valor de cerca de US$ 93,5 bilhões em 2021, mais que o dobro do valor correspondente em 2020.

E cerca de dois terços da audiência de uma pesquisa da McKinsey afirmam que os investimentos de suas empresas em IA aumentarão nos próximos três anos. Essa atividade de investimento resultará inevitavelmente no surgimento e aprimoramento de novas soluções e ferramentas abrangentes e elevará o nível tecnológico geral nessa área.

As organizações precisam estar preparadas para pegar a onda.

Curso Artificial Intelligence AI Bootcamp, abrange os fundamentos de Inteligência Artificial (IA), Aprendizado de Máquina, Aprendizado Profundo, Redes Neurais, Fusão de Sensores e outros conceitos de IA. Os participantes trabalharão com ferramentas de inteligência artificial, ferramentas de programação de IA, ferramentas de ciência de dados, ferramentas de análise avançada e algoritmos e métodos de aprendizado profundo e de máquina, linguagens de programação de IA e ferramentas para projetar agentes inteligentes, algoritmos de aprendizado profundo e redes neurais.

Redes avançadas de IA são exploradas para resolver problemas de tomada de decisão em tempo real.

A disciplina de inteligência artificial (IA) abrange qualquer coisa relacionada a tornar as máquinas inteligentes relacionadas à robótica, direção autônoma, IoT ou aplicativo de software. Se você os está tornando inteligentes, então é IA.

Machine Learning (ML) é um subconjunto de IA que lida com sistemas que podem aprender sozinhos (abordamos os princípios de aprendizado supervisionado e não supervisionado neste curso). O uso de IA e sistemas de aprendizado de máquina, sistema de sistemas (SoS) e recursos mais complexos ajudam as máquinas a ficarem cada vez mais inteligentes ao longo do tempo, sem intervenção humana. Deep Learning (DL) é basicamente o mesmo que ML, mas aplicado a grandes conjuntos de dados. A maior parte do trabalho de IA agora envolve ML porque o comportamento inteligente requer conhecimento considerável, e o aprendizado é a maneira mais fácil de obter esse conhecimento.

Objetivo

Após realizare este Curso Artificial Intelligence AI Bootcamp, você será capaz de:

• Obtenha uma compreensão básica dos principais conceitos de Inteligência Artificial (IA)
• Listar os principais princípios por trás da Inteligência Artificial (IA)
• Listar as principais aplicações e casos de uso da Inteligência Artificial
• Compare e contraste Inteligência Artificial (IA), Aprendizado de Máquina (ML), Aprendizado Profundo (DL) e Redes Neurais
• Listar aplicativos entre IA, aprendizado de máquina e mineração de dados
• Listar conceitos, princípios, algoritmos, ferramentas e aplicativos de AI e Machine Learning
• Analisar técnicas clássicas de Inteligência Artificial, como detecção de fraudes, redes neurais e sistemas de controle
• Saiba como a Inteligência Artificial usa dados para oferecer soluções para problemas existentes
• Explore como o Machine Learning vai além da IA ​​para oferecer os dados necessários para que uma máquina aprenda, adapte e otimize
• Esclarecer como a mineração de dados pode servir como base para IA e aprendizado de máquina para usar as informações existentes para destacar padrões
• Liste as várias aplicações de inteligência artificial e algoritmos relacionados
• Aprenda a classificar os tipos de aprendizado, como aprendizado supervisionado e não supervisionado
• Implemente técnicas de aprendizado supervisionado, como regressão linear e logística
• Use algoritmos de aprendizado não supervisionado, incluindo aprendizado profundo, clustering e sistemas de recomendação (RS)
• Saiba mais sobre dados de classificação e modelos de aprendizado
• Selecione os melhores algoritmos e ferramentas aplicadas à inteligência artificial
• Faça previsões e análises precisas para resolver problemas potenciais com eficiência
• Aprenda os conceitos e operação de redes neurais de suporte, máquinas vetoriais, kernel SVM, naive bayes, classificador de árvore de decisão, classificador de floresta aleatória, regressão logística, K-vizinhos mais próximos, K-means e clustering
• Compreender os conceitos teóricos e como eles se relacionam com os aspectos práticos da inteligência artificial
• Analise algoritmos robustos de aprendizado de máquina e aprendizado profundo, incluindo clustering e sistemas de recomendação

Materiais

Conteúdo Programatico

Core Concepts and Techniques behind Artificial Intelligence (AI)

1. Fundamentals of Artificial Intelligence (AI)
2. Introduction to Artificial Intelligence (AI)
3. Applications of AI
4. Fraud Detection
5. Image Processing
6. Computer Vision
7. Robotics and Robot Motion Planning
8. Network Security
9. Cybersecurity Attack Detection
10. Machine Learning: Supervised and Unsupervised Learning

Data Science Overview

1. Data Science with Python
2. Data Analytics
3. Data
4. Analysis
5. Prediction
6. Recommendation
7. Building Smart Chatbots Powered by AI

Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL) and Natural Language Processing (NLP)

1. Key Artificial Intelligence (AI) Principles Applied
2. Broad discipline of creating intelligent machines, systems, system of systems (SoS) and intelligent capabilities
3. AI-powered machines
4. General and narrow intelligence AI machines
5. Performing human tasks intelligently
6. Machine Learning (ML)
7. Systems or SoS that can learn from experience both supervised and unsupervised
8. Deep Learning (DL)
9. Systems that learn from experience on large data sets
10. Artificial Neural Networks (ANN)
11. Models of human neural networks to assist machines and computers to learn
12. Natural Language Processing (NLP)
13. Smart systems that can understand language

Review of AI Terminology and Principles

1. Math Refresher
2. Concepts of linear algebra
3. Probability and statistics
4. Algorithms
5. Automation and iterative processes
6. Scalability
7. Ensemble modeling
8. Framing
9. Generalization
10. Machine Learning methods
11. Classification
12. Training and Training Set
13. Validation
14. Representation
15. Regularization
16. Logistic Regressions
17. Neutral Nets
18. Neutral Nets
19. Multi class Neutral Nets
20. Embeddings
21. Basic Algebra and Calculus
22. Basic Python
23. Chain rule
24. Concept of a derivative
25. Gradient or slope
26. Linear algebra
27. Logarithms, and logarithmic equations
28. Matrix multiplication
29. Mean, median, outliers and standard deviation
30. Partial derivatives
31. Sigmoid function
32. Statistics
33. Tanh
34. Tensor and tensor rank
35. Trigonometry
36. Variables, coefficients, and functions

Applied Artificial Intelligence (AI) and Machine Learning

1. Machine Learning prediction with models
2. Artificial Intelligence behaving and reasoning
3. Applications of Machine Learning
4. Machine Learning algorithms
5. Models
6. Techniques
7. Statistics and Math
8. Algorithms
9. Programming
10. Patterns and Prediction
11. Intelligent Behavior
12. Statistics quantifies numbers
13. Machine learning generalizing information from large data sets
14. Principles to detect and extrapolate patterns
15. Machine Learning System Analysis and Design
16. Support Vector Machines

The Basics of Machine Learning

1. Data and Data Science
2. Machine Learning Techniques, Tools and Algorithms
3. Popular Machine Learning Methods
4. Supervised learning and unsupervised learning
5. Supervised learning algorithms and labeled data
6. Trained using labeled examples
7. Classification, regression, prediction and gradient boosting
8. Supervised learning and patterns
9. Predicting the values of the label on additional unlabeled data
10. Using historical data to predict likely future events
11. Unsupervised learning and unlabeled data
12. Unsupervised learning against data that has no historical labels
13. Semi supervised learning
14. Using both labeled and unlabeled data for training
15. Classification, regression and prediction
16. Reinforcement learning
17. Robotics, gaming and navigation
18. Discovery through trial and error
19. The agent (the learner or decision maker)
20. The environment (everything the agent interacts with)
21. Actions (what the agent can do)

Learning Applied to AI  

1. Application of Supervised versus Unsupervised Learning
2. Case Study: credit card transactions as fraudulent charges
3. Self-organizing maps, nearest-neighbor mapping, k-means clustering and singular value decomposition
4. Face recognition

Principles of Supervised Algorithms

1. Classification and regression supervised learning problems
2. Clustering and association unsupervised learning problems
3. Algorithms used for supervised and unsupervised problems
4. Supervised Machine Learning as a majority of practical machine learning
5. Supervised learning problems grouping into regression and classification problems
6. Principles of “Classification”
7. Principles of “Regression”
8. Popular examples of supervised machine learning algorithms
9. Linear regression for regression problems
10. Random forest for classification and regression problems
11. Support vector machines for classification problems

Principles of Unsupervised Learning

1. The goal for unsupervised learning
2. Modeling the underlying structure or distribution in the data
3. Ways to learn more about the data
4. Algorithms to discover and present the interesting structure in the data
5. Unsupervised learning problems grouping into clustering and association problems
6. Principles of “Clustering”
7. Ways to discover the inherent groupings in the data
8. Principles of “Association”
9. Ways to discover rules that describe large portions of your data
10. Examples of unsupervised learning algorithms
11. K-means for clustering problems
12. Apriori algorithm for association rule learning problems
13. Semi-Supervised Machine Learning
14. Unlabeled data and a mixture of supervised and unsupervised techniques
15. Collecting and storing unlabeled data

Principles of Neural Networks

1. Neural Networks Representation
2. Principles behind neural networks and models
3. Neural Networks Learning
4. Back propagation algorithm
5. Learn parameters for a neural network
6. Implementing your own neural network for credit card fraud
7. Advice for Applying Machine Learning
8. Best practices for applying machine learning in practice
9. Best ways to evaluate performance of the learned models

Introduction to Deep Learning

1. Principles of Deep Learning
2. Artificial Neural Networks
3. TensorFlow
4. Learning complicated patterns in large amounts of data
5. Identifying objects in images and words in sounds
6. Automatic language translation
7. Medical diagnoses

Applying AI and Machine Learning

1. Applying AI and machine learning to IoT
2. Financial services
3. DoD
4. Government
5. Health care
6. Marketing and sales
7. Oil and gas
8. Renewable Energy
9. Transportation
10. DoD
11. Space Exploration

Overview of Algorithms

1. Associations and sequence discovery
2. Bayesian networks
3. Decision trees
4. Expectation maximization
5. Gaussian mixture models
6. Gradient boosting and bagging
7. Kernel density estimation
8. K-means clustering
9. Local search optimization techniques
10. Multivariate adaptive regression splines
11. Nearest-neighbor mapping
12. Neural networks
13. Principal component analysis
14. Random forests
15. Self-organizing maps
16. Sequential covering rule building
17. Singular value decomposition
18. Support vector machines

Overview of Tools and Processes

1. Comprehensive data quality and management
2. GUIs for building models and process flows
3. Interactive data exploration
4. Visualization of model results
5. Comparisons of different machine learning models
6. Identify the best machine learning models
7. Automated ensemble model evaluation
8. Repeatable and reliable results
9. Integrated, end-to-end platforms to automate data-to-decision process
10. Exploratory Data Analysis with R
11. Loading, querying and manipulating data in R
12. Cleaning raw data for modeling
13. Reducing dimensions with Principal Component Analysis
14. Identifying outliers in data
15. Working with Unstructured Data
16. Mining unstructured data
17. Building and evaluating association rules
18. Constructing recommendation engines
19. Machine learning with neural networks

Case Studies and Workshops

1. Autonomous Vehicle
2. Robotics: Vision Intelligence and Machine Learning
3. Robotics: Dynamics and Control
4. Locomotion Engineering
5. Kinematics and Mathematical Models
6. Cybersecurity
7. Deep Space Exploration
8. Working with TensorFlow
9. Creating computational graph
10. Applying Artificial Neural Networks (ANN)