Volume VI - Machine LearnIng e AI
587 Páginas
Python
Volume VI da Coleção
Prefácio
1. Tipos de Aprendizado — Supervisionado, não supervisionado, por reforço, semi-supervisionado e auto-supervisionado — a taxonomia dos sistemas que aprendem.
2. O Ecossistema do ML — Python, Scikit-learn, TensorFlow, PyTorch e LLMs como assistentes de código.
3. Algoritmos e Modelos — A distinção entre algoritmo e modelo — como y = mx + b se torna y = 10x + 4 após o treinamento.
4. Algoritmos Determinísticos e Estocásticos — Processos fixos versus aleatórios — inicialização de pesos, bootstrapping e Random Forests.
5. Preparação de Dados — Normalização, codificação e visualização — "ML é 10% matemática e 90% limpar dados."
6. Feature Engineering — Seleção, criação e transformação de variáveis — o que alimenta o modelo determina o que ele aprende.
7. Divisão dos Dados — Treino, validação e teste — a geometria da generalização.
8. Métricas de Desempenho — Acurácia, precisão, recall, F1, ROC-AUC e MSE — como medir o que o modelo aprende.
9. Otimização por Gradient Descent — Gradientes, taxa de aprendizado, SGD e Adam — a matemática da descida.
10. Regularização — L1 (Lasso), L2 (Ridge) e Elastic Net — penalizando complexidade para evitar overfitting.
11. Cross-Validation — K-fold, leave-one-out e validação estratificada — estimando o erro real de generalização.
12. Álgebra Linear para ML — PCA, SVD e transformações lineares — a geometria por trás dos algoritmos.
13. Cálculo para ML — Regra da cadeia, gradientes e backpropagation — como o erro flui de volta pela rede.
14. Probabilidade e ML — Distribuições, verossimilhança, MLE e inferência bayesiana — a incerteza como linguagem.
15. Entropia e Ganho de Informação — Entropia de Shannon e entropia cruzada — a matemática da surpresa em árvores de decisão.
16. Overfitting e Underfitting — Bias-variance tradeoff e curvas de aprendizado — diagnóstico de modelos.
17. Redução de Dimensionalidade — PCA, t-SNE e UMAP — comprimindo espaços de alta dimensão sem perder estrutura.
18. Testes Estatísticos em ML — Teste t, qui-quadrado, KS e Anderson-Darling — validando hipóteses sobre dados e modelos.
20. Cost Function — MSE, Log Loss, entropia cruzada — o que o modelo minimiza define o que ele aprende.
19. Modelos de Regressão — Regressão linear, polinomial, regularização e gradient descent — a matemática da previsão contínua.
20. Entropia e Árvores de Decisão — Ganho de informação e índice de Gini — como dividir dados para maximizar informação.
21. Regressão Logística — Fronteiras de decisão, sigmoid, Log Loss e ROC — classificação como probabilidade.
22. Support Vector Machines (SVM) — Hiperplanos de margem máxima, kernel trick e separação em alta dimensão.
23. Árvores de Decisão — Regras hierárquicas, critérios de divisão, poda e interpretabilidade.
24. Métodos Ensemble — Random Forest, Gradient Boosting e XGBoost — combinando modelos fracos em preditores robustos.
25. Processamento de Linguagem Natural (NLP) — Tokenização, TF-IDF, embeddings e análise de sentimento — a matemática que permite às máquinas compreender texto.
26. Redes Neurais e Deep Learning — Perceptron, backpropagation, funções de ativação e arquiteturas profundas — sistemas que aprendem por camadas.
27. Redes Neurais Convolucionais (CNN) — Filtros, pooling e invariância a transformações — a matemática da visão computacional.
28. Redes Neurais Recorrentes (RNNs) — Memória sequencial, LSTM e Seq2Seq — aprendendo de séries temporais e texto.
29. Algumas Aplicações — Regressão tabular, classificação de imagens e análise de sentimento — ML no mundo real.
30. Redes Neurais em Python — Keras, Adam e implementação completa — do zero ao modelo treinado.
31. Considerações sobre Deep Learning — ML clássico versus deep learning, interpretabilidade e Keras.
32. IA Generativa — LLMs, modelos generativos e os dois paradigmas da IA — descritiva versus generativa.
33. Transformers — Atenção, embeddings contextuais, encoder-decoder, BERT, GPT e a arquitetura que mudou a IA.
34. Considerações Finais — O que foi aprendido, para onde vai a IA e o papel da matemática no futuro dos sistemas inteligentes.
R$ 20,00
Você pode incluir os vídeos desse Volume
