Visão Geral

Curso Artificial Intelligence Expert. Ea Inteligência Artificial é a nova ciência do século. As características que regem a mente humana, sendo evidentes nas máquinas, é uma possibilidade inédita e tem contribuído igualmente para o surgimento de novas oportunidades na frente de carreira. 

O curso Certified Artificial Intelligence Expert se concentra principalmente no emprego do conhecimento da inteligência artificial nas funções organizacionais.

Objetivo

• Inteligência Artificial -Uma Visão Geral 
• Estatisticas
• Incorporação de Inteligência Artificial e Machine Learning nos negócios.
• Ajuda a liderar a trajetória da carreira de Ciência de Dados  

Quais são os benefícios do curso?

• Ajuda a ter uma ideia clara da Inteligência Artificial e suas aplicações no mundo real.
• Amplo reconhecimento pela certificação.
• Benéfico para escalar na trajetória de carreira

Publico Alvo

• Indivíduos que desejam fazer carreira em Inteligência Artificial.
• Profissionais que trabalham no domínio de operações 

Pre-Requisitos

• Sem pré-requisito obrigatório.
• Experiência no domínio AI recomendado

Materiais

Conteúdo Programatico

MODULE 1: NEURAL NETWORKS

1. • Structure of neural networks
2. • Neural network - core concepts
3. • Feed forward algorithm
4. • Backpropagation
5. • Building neural network from scratch using Numpy.

MODULE 2: IMPLEMENTING DEEP NEURAL NETWORKS

1. • Introduction to neural networks with tf2.X
2. • Simple deep learning model in Keras (tf2.X)
3. • Building a neural network model in TF2.0 for MNIST dataset

MODULE 3: DEEP COMPUTER VISION - CNN

1. • Convolutional neural networks (CNNs)
2. • Introduction
3. • CNNs with Keras
4. • Transfer learning in CNN
5. • Style transfer
6. • Flowers dataset with tf2.X
7. • Examining x-ray with CNN model

MODULE 4: RECURRENT NEURAL NETWORK

1. • RNN introduction
2. • Sequences with RNNs
3. • Long short-term memory networks
4. • LSTM RNNs and GRU
5. • Examples of RNN applications

MODULE 5: NATURAL LANGUAGE PROCESSING (NLP)

1. • Natural language processing
2. • Introduction
3. • NLP with RNNs
4. • Creating model
5. • Transformers and BERT
6. • State of art NLP and projects

MODULE 6: REINFORCEMENT LEARNING

1. • Markov decision process
2. • Fundamental equations in RL
3. • Model-based method
4. • Dynamic programming model free methods

MODULE 7: DEEP REINFORCEMENT LEARNING

1. • Architectures of deep Q learning
2. • Deep Q learning
3. • Policy gradient methods

MODULE 8: GENERATIVE ADVERSARIAL NETWORK (GAN)

1. • Gan introduction
2. • Core concepts of GAN
3. • Building GAN model with TensorFlow 2.X
4. • GAN applications

MODULE 9: DEPLOYING DL MODELS IN THE CLOUD (AWS)

1. • Amazon web services (AWS)
2. • AWS SageMaker Overview
3. • Sage Makers from Data pipeline to deployments
4. • Deploying deep learning models WS Sage maker