Inteligência Artificial e Machine Learning com JavaScript – Ben-Hur Varriano

Finalmente voce tera um curso de Inteligencia Artificial voltado para desenvolvedores e nao para Cientistas de Dados. Aprenda os principais fundamentos dessa tecnologia e aplique em seus sistemas Web, Desktop e Mobile com JavaScript. Curso completo e com avancos gradativos respeitando o ritmo de aprendizado. Voce aprendera sobre as metodologias de Aprendizado de Maquina e sobre os principais algoritmos de Machine Learning. Tudo com exemplos praticos e alguns casos reais para fixar o conteudo da maneira correta. Conheca a tecnologia mais badalada do momento e tenha esse diferencial no seu curriculo, nao perca mais tempo e embarque no fantastico mundo da Inteligencia Artificial! * Introducao ao Curso de Inteligencia Artificial e Machine Learning com JavaScript Historia da inteligencia artificial, conceitos, metodos e aplicacoes. * Redes Neurais Artificiais do Tipo Feedforward (Funcao de Aproximacao) Neuronio natural e neuronio artificial, funcao somatoria, gradiente descendente com metodo de descida do gradiente, inputs, outputs, valores de busca, taxa de erro, epocas de treinamento, funcao de ativacao para formatacao de resultados, pesos e sinapses artificiais. * Funcoes de Ativacao (Formatacao) Calculos da tangente hiperbolica, funcao sigmoide com resultado na curva sigmoidal, unidade linear retificada com e sem vazamento e passo binario. * Regressao Linear Simples Calculos dos produtos de X por Y, quadrados de X, somatorio de X, media de X, formula da regressao linear aplicada aos resultados, treinamento de maquina, predicao, salvamento e carregamento de modelos pre-treinados e orientacao a objetos no calculo matematico. * Regressao Linear Multivariada Regressao linear multivariada com multiplas entradas em uma unica saida de informacao. * Naive Bayes Probabilistico Eliminacao de elementos duplicados, retorno de classes, contagem de textos coincidentes, organizacao de classes e entradas em objeto JSON, calculo de frequencia, contagem de classes, somatorio de classes, calculo total individual e geral, calculo de ocorrencia, aplicacao do teorema de Bayes. * Naive Bayes Classificativo Adaptacao do teorema de Bayes probabilistico para calculo classificativo. * K-Nearest Neighbors (KNN) Subtracoes e quadrados dos eixos X e Y, soma dos quadrados, radiciacao, treinamento e predicao por grau de proximidade numerica. * Clusterizacao (Agrupamento de Dados) com K-Means Exportacao de modulo, media dos eixos de X e Y para o grupo, calculo dos centroides para X e Y, elemento minimo, retorno de indice, comparacao de arrays, atualizacao de grupo, formatacao dos grupos como vetores de uma matriz e agrupamento final. * Aprendizado por Reforco Salvamento e leitura dos indices dos centroides por meio de feedbacks positivos e negativos. * Arvore de Decisao (Decision Tree) Construtor de classe, proporcao das classes para um determinado valor de eixo, proporcao dividida pelo total, logaritmo na base 2 de uma divisao, produto da divisao pelo logaritmo, calculo da multiplicacao atual menos a posterior, ganho de informacao, calculo de entropia e predicao classificativa. * Rede Neural Artificial com Arquitetura Perceptron Multicamadas (Multilayer Perceptron – MLP) Transformando um feedforward em perceptron multicamadas com configuracoes de construcao de rede. Bias, nos de entrada, interacao e saida, atualizacao de pesos multiplicativos em matrizes, treinamento e execucao de um multilayer perceptron. * Calculos Estatisticos Elemento minimo e maximo, soma, media, mediana, produto, quadrado, cubo, valor absoluto, variancia padrao, variancia com tendencia, variancia sem tendencia, desvio padrao, desvio com tendencia, desvio sem tendencia, raiz quadrada, multiplicacao convencional e matricial, subtracao, transposicao, selecao aleatoria, adicao, divisao, logaritmos, logaritmo na base 2, aproximacao para baixo, aproximacao padrao, aproximacao para cima, expressao e filtro. * Rede Neural Artificial (RNA) com Formula Fixa Formula matematica para a construcao de redes neurais artificiais, camada de entrada, camada oculta, camada de saida, epocas de treinamento, taxa de erro e aprendizagem, funcao de ativacao, aleatoriedade em pesos, gradiente descendente, funcao sigmoidal, neuronios artificiais e sinapse artificial. * Manipulacao de Arquivos Estruturados no Formato CSV Conversao de CSV para objeto JSON e abjeto vetorial. * Aprendizado de Maquina (Machine Learning) no Front-End com Layout HTML Arvore de decisao, k-nearest neighbors, naive bayes, rede neural e regressao linear no front-end com layout HTML e eventos em JavaScript. * Plotagem de Dados para Analise de Informacoes Grafico line, scatter, bar, pie e bubble. * Redes Neurais Artificiais Sofisticadas Sofisticacao em redes neurais artificiais. * Aprendizado Supervisionado Aplicacoes de algoritmos de aprendizado supervisionado. * Aprendizado Autonomo Exemplo de aprendizado autonomo no front-end por meio de clusterizacao. * Processamento de Linguagem Natural (NLP) Processamento de linguagem natural para o reconhecimento de padroes em textos e caracteres. Identificacao de individuos atraves da escrita e analise de sentimentos por meio de computacao cognitiva com o teorema de bayes. * Visao Computacional Redes neurais convolucionais pre-treinadas para a classificacao de imagens no front-end. * Maquina de Vetores de Suporte (Support Vector Machine) Definicao dos vetores de suporte, margens, hiperplano, gamma e classificacao binaria. * Regressao Logistica Calculo regressivo para casos de classificacao de dados. * Regressao Polinomial Propriedade degree para o grau da curva de melhor ajuste e aplicacao do calculo de regressao em dados com distribuicao caotica e nao linear. * Regressao Linear Multivariavel (Regressao Linear Multipla) Reconhecimento de padroes numericos em multiplas entradas e multiplas saidas. * Analise Classificativa de Dados com Pacotes NPM Pacotes NPM para analise classificativa com o teorema de bayes, k-nearest neighbors e arvore de decisao. * Analise Regressiva de Dados com Pacote NPM Pacote NPM para analise regressiva com regressao linear multipla. * Agrupamento (Clusterizacao) com Pacotes NPM Pacotes NPM para clusterizacao de dados com k-means. * Analise Preditiva (Classificacao e Regressao) com Pacotes NPM para RNA Pacotes NPM para analise classificativa e regressiva de dados com redes neurais artificiais em distribuicoes lineares e nao lineares. * Redes Neurais Recorrentes (RNN) Redes neurais recorrentes para a analise de series temporais. Rede neural recorrente com e sem intervalo de tempo, memoria de longo e curto prazo e unidades recorrentes bloqueantes. Reconhecimento de padrao sequencial por ordenacao e posicionamento de dados. * Deep Learning (O Aprendizado Profundo) Redes neurais profundas com multiplas camadas de interacao nos dados. * Exemplos Praticos Calculo salarial, precificacao de imoveis, predicao de cotacoes futuras para o dolar, bitcoin e acoes da bolsa de valores. * Conclusao e Encerramento Conclusao e encerramento do conteudo das aulas. Para quem e este curso: Desenvolvedores iniciantes ou experientes que desejem aprender Inteligencia Artificial com JavaScript. Requisitos: Conhecimentos basicos em JavaScript.