Visão Geral

Aprenda a aplicar habilidades de aprendizado de máquina, aprendizado profundo e IA para capturar, armazenar e estruturar fluxos de dados.

Este Curso Building Intelligent Web Applications, é um curso de inteligência artificial (IA) aplicada que ensina como criar aplicativos de aprendizado de máquina que processam e processam dados coletados de usuários, aplicativos da web e logs de sites. Aproveitando os padrões, habilidades e práticas atuais, você explorará algoritmos inteligentes que extraem valor dos dados. Conceitos importantes de aprendizado de máquina são ensinados usando exemplos de código no scikit-learn do Python. Este curso orienta você através de algoritmos para capturar, armazenar e estruturar fluxos de dados da web. Você explorará mecanismos de recomendação e passará para a classificação por meio de algoritmos estatísticos, redes neurais e aprendizado profundo.

Objetivo

Após concluir este Curso Building Intelligent Web Applications, você será capaz de:

• Fundamentos de aprendizado de máquina, bem como aprendizado profundo e redes neurais
• Como funcionam os mecanismos de recomendação
• Construindo aplicativos para a web inteligente
• Extraindo estrutura de dados: agrupando e transformando seus dados
• Recomendando conteúdo relevante
• Classificação: colocar as coisas onde elas pertencem
• Estudo de caso relevante: previsão de cliques para publicidade online
• Fazendo as escolhas certas de aprendizado de máquina para seus aplicativos da web
• O futuro da web inteligente

Publico Alvo

• Desenvolvedor, Cientista de Dados, Arquiteto e Engenheiro de Software

Pre-Requisitos

• Habilidades de TI básicas a intermediárias, com alguma exposição prévia em Python, se possível (os participantes sem experiência em programação como Python podem ver os laboratórios como exercícios de acompanhamento ou se unir a outras pessoas para concluí-los)
• Boas habilidades básicas de matemática ou lógica
• Habilidades básicas em Linux, incluindo familiaridade com opções de linha de comando como ls, cd, cp e su

Materiais

Conteúdo Programatico

Building applications for the intelligent web

1. An intelligent algorithm in action: Google Now
2. The intelligent-algorithm lifecycle
3. Further examples of intelligent algorithms
4. Things that intelligent applications are not
5. Classes of intelligent algorithm
6. Evaluating the performance of intelligent algorithms
7. Important notes about intelligent algorithms

Extracting structure from data: clustering and transforming your data

1. Data, structure, bias, and noise
2. The curse of dimensionality
3. K-means
4. The relationship between k-means and GMM
5. Transforming the data axis

Recommending relevant content

1. Setting the scene: an online movie store
2. Distance and similarity
3. How do recommendation engines work?
4. User-based collaborative filtering
5. Model-based recommendation using singular value decomposition
6. The Netflix Prize
7. Evaluating your recommender

Classification: placing things where they belong

1. The need for classification
2. An overview of classifiers
3. algorithms
4. Fraud detection with logistic regression
5. Are your results credible?
6. Classification with very large datasets

Case study: click prediction for online advertising

1. History and background
2. The exchange
3. What is a bidder?
4. What is a decisioning engine?
5. Click prediction with Vowpal Wabbit
6. Complexities of building a decisioning engine
7. The future of real-time prediction

Deep learning and neural networks

1. An intuitive approach to deep learning
2. Neural networks
3. The perceptron
4. Multilayer perceptron’s
5. backpropagation
6. Going deeper: from multilayer neural networks to deep learning

Making the right choice

1. A/B testing
2. Multi-armed bandits
3. Bayesian bandits in the wild
4. A/B vs. the Bayesian bandit
5. Extensions to multi-armed bandits

The future of the intelligent web

1. Future applications of the intelligent web
2. Social implications of the intelligent web