Resumo do curso

Esta aula é oferecida como CS7641 na Georgia Tech, e é uma parte do Mestrado on-line (OMS). Fazer este curso aqui não vai gerar créditos para o Mestrado.

Aprendizado de Máquina é um curso de pós-graduação que cobre a área de Inteligência Artificial preocupada com programas de computador que modificam e melhoram o seu desempenho através de experiências.

A primeira parte do curso abrange aprendizagem supervisionada, uma tarefa de aprendizagem máquina que torna possível para o seu telefone reconhecer a sua voz, filtrar spams do seu e-mail, e para computadores aprenderem um monte de outras coisas legais.

Na parte dois, você vai aprender sobre Aprendizagem não supervisionada. Já se perguntou como Netflix pode prever quais filmes que você vai gostar? Ou como Amazon sabe o que você quer comprar antes de você? Tais respostas podem ser encontradas nesta seção!

Finalmente, podemos programar máquinas para aprender como os humanos? Esta seção de Aprendizado por Reforço vai te ensinar os algoritmos para a concepção de agentes de auto-aprendizado como nós!

Valor do curso
Gratuito
Duração
Aprox. 4 meses
Nível
Intermediário
O curso inclui
  • Icon course 01Videoaulas

  • Icon course 04Testes interativos

  • Icon course 02Aulas com profissionais do setor

  • Icon course 05Ritmo individual de aprendizado

  • Icon course 03Comunidade de apoio aos alunos

Sua jornada de aprendizado

Este curso grátis é mais um passo rumo a uma carreira de sucesso. Conheça também o Programa Nanodegree Engenheiro de Machine Learning e vivencie a experiência completa de ser um aluno Udacity!

Curso Aberto

Aprendizado de Máquina

feito por Georgia Institute of Technology

Supervisionado, Não-Supervisionado e Por Reforço

Icon steps 54aa753742d05d598baf005f2bb1b5bb6339a7d544b84089a1eee6acd5a8543d

O que vou aprender?



Aprendizado Supervisionado

  • Lição 0: Aprendizado de Máquina é ROX
  • Lição 1: Árvores de Decisão
  • Lição 2: Regressão e Classificação
  • Lição 3: Redes Neurais
  • Lição 4: Aprendizagem Baseada em Instância
  • Lição 5: Conjunto B&B
  • Lição 6: Métodos de Kernel e Support Vector Machines(SVM)
  • Lição 7: Computacional Teoria da Aprendizagem
  • Lição 8: Dimensões VC
  • Lição 9: Aprendizagem Bayesiana
  • Lição 10: Inferência Bayesiana

Aprendizado não supervisionado

  • Lição 1: Otimização randomizada
  • Lição 2: Cluster
  • Lição 3: Seleção de recursos
  • Lição 4: Recurso de transformação
  • Lição 5: Teoria da Informação

Aprendizado por Reforço

  • Lição 1: Processos de Decisão de Markov
  • Lição 2: Reforço de Aprendizagem
  • Lição 3: Teoria dos Jogos
  • Lição 4: Teoria dos Jogos, Continuação

Instrutores & Parceiros

  • Michael Littman
    Michael Littman

    Instrutor

  • Charles Isbell
    Charles Isbell

    Instrutor

  • Pushkar Kolhe
    Pushkar Kolhe

    Instrutor

Pré-requisitos

Forte familiaridade com Teoria das Probabilidades, Álgebra Linear e Estatística é necessária. Uma compreensão da Introdução à Estatística, especialmente Lições 8, 9 e 10, seria útil.

Os alunos também devem ter alguma experiência em programação (talvez através do Introdução à Ciência da Computação ) e uma familiaridade com Redes Neurais (abordado no curso Introdução à Inteligência Artificial).

Veja os Requisitos Tecnológicos para usar a Udacity.

Por que fazer este curso?

Você vai aprender e praticar uma variedade de abordagens de aprendizado supervisionado, sem supervisão e por reforço.

Aprendizado supervisionado é um componente importante de todos os tipos de tecnologias, de prevenção à fraude de cartão de crédito, reconhecimento de rostos em imagens de câmera, e reconhecimento a linguagem falada. O nosso objetivo é ensinar as habilidades que você precisa entender essas tecnologias e interpretar seus resultados, e que é importante para resolver uma série de problemas de ciência de dados. E para sobreviver a uma insurreição de robôs.

Intimamente relacionado com o reconhecimento de padrões, aprendizagem não supervisionada diz respeito a análise de dados e à procura de padrões. É uma ferramenta poderosa para a identificação de estruturas em dados. Esta seção se concentra em como você pode usar a abordagem de Aprendizagem não supervisionada, incluindo a optimização randomizada, clustering e seleção de recursos e de transformação, para encontrar estrutura em dados não categorizados.

Aprendizado por reforço é a área do Aprendizado de Máquina preocupada com as ações que os agentes de software deve tomar em um ambiente particular, a fim de maximizar recompensas. Você pode aplicar Aprendizado por reforço em controle de robôs, xadrez, gamão, damas, e outras atividades que um agente de software pode aprender. Aprendizado por reforço usa psicologia behaviorista, a fim de conseguir a maximização da recompensa. Esta seção também inclui importantes abordagens de Apredizado por Reforço como Processos de Decisão de Markov e Teoria dos Jogos.

Quais são os recursos?
  • Vídeos dos instrutores
  • Exercícios práticos
  • Aulas com profissionais do setor