Pular para o conteúdo
KnowledgeCity

Artificial Intelligence

Filtros de cursos
Nível de habilidade do curso
Tempo de execução
Limpar todos os filtros
41 cursos para 'Artificial Intelligence'
Não encontramos nada hoje, mas volte sempre que adicionamos novos conteúdos todos os meses!
Ética e responsabilidade da IA 2h 31m • 54 Lições • Intermediário Este curso sobre ética e responsabilidade da IA fornecerá uma visão geral completa das considerações e princípios éticos em torno da responsabilidade nos sistemas de IA. Aprenderá sobre princípios que se aplicam apenas a sistemas de IA, como a explicabilidade, bem como princípios mais amplos, como o princípio da igualdade de acesso à tecnologia, serviços e oportunidades. Aprenderá sobre a intersecção entre a IA ética e os direitos humanos, a governação e o sistema jurídico.
Ética e Responsabilidade da IA: Desenvolvimento da Inteligência Artificial Moderna 24m • 7 Lições • Intermediário Estas aulas sobre o Desenvolvimento da Inteligência Artificial Moderna abordam a história e os antecedentes da inteligência artificial e os aspectos e conceitos fundamentais da inteligência artificial, incluindo o modo como a IA funciona como sistema de decisão.
Ética e Responsabilidade em IA: Desafios Únicos da IA e da Aprendizagem Automática 16m • 5 Lições • Intermediário Nestas lições sobre os desafios únicos da IA e da aprendizagem automática, irá explorar os tipos de aprendizagem automática, incluindo a supervisionada, que utiliza dados rotulados para fazer previsões; a não supervisionada, uma série de técnicas para compreender a estrutura dos dados sem uma variável de resultado; e a aprendizagem por reforço, um dos estilos mais antigos de aprendizagem automática que utiliza um método de aprendizagem baseado em objectivos.
AI Ethics and Accountability: Introduction to Ethical Artificial Intelligence 21m • 7 Lições • Intermediário In these lessons, you’ll learn about the governance landscape around AI. You will learn about AI alignment with human values and external impacts that are indirectly related to the creation and deployment of any AI system, such as environmental impacts. You will also learn about AI systems that do deliberate harm and dark patterns, deceptive design patterns that are used to influence individuals to perform an action that may not be in their best interest.
Ética e responsabilidade da IA: Responsabilidade na IA 8m • 4 Lições • Intermediário A responsabilidade é uma parte crítica da ética da IA e é relevante em todas as fases do ciclo de vida de um sistema de IA, incluindo durante a concepção, após a implementação, bem como quando ocorre algum dano devido ao sistema. Nestas lições sobre Responsabilidade na IA, aprenderá como os sistemas de IA podem ser avaliados utilizando princípios de responsabilidade, juntamente com reformas regulamentares e quadros jurídicos e a sua intersecção com a responsabilidade.
Ética e responsabilidade da IA: Privacidade, Segurança e Protecção na Inteligência Artificial 13m • 6 Lições • Intermediário Estas lições sobre Privacidade, Segurança e Protecção na Inteligência Artificial discutirão o Regulamento Geral de Protecção de Dados, o consentimento, a portabilidade dos dados, a capacidade de restringir o processamento, o direito à rectificação e o direito ao apagamento. Aprenderá conceitos importantes que envolvem fiabilidade e segurança e descobrirá como a monitorização pode detectar potenciais riscos e mitigar rapidamente os danos se o sistema não estiver a funcionar como desejado.
Ética e responsabilidade da IA: Transparência e Explicabilidade na Inteligência Artificial 14m • 5 Lições • Intermediário Nestas lições sobre Transparência e Explicabilidade na Inteligência Artificial, aprenderá sobre explicabilidade e interpretabilidade e a sua intersecção com os conceitos de caixa negra e caixa de vidro da IA. Analisará as vantagens e desvantagens do software de código aberto no desenvolvimento de um sistema de IA. Aprenderá também sobre os princípios da notificação da decisão e da interacção e a sua importância para os sistemas que utilizam a linguagem natural ou o reconhecimento facial.
Ética e responsabilidade da IA: Preconceito, Inclusão e Equidade na Inteligência Artificial 8m • 4 Lições • Intermediário Estas lições sobre Preconceito, Inclusão e Equidade na Inteligência Artificial irão explorar a razão pela qual o preconceito é um dos conceitos mais discutidos envolvendo a ética da IA e porque é que a prevenção do preconceito deve fazer parte da governação de todos os sistemas de IA. Além disso, estas lições irão rever os conceitos de justiça, representatividade e o princípio do impacto inclusivo.
Ética e responsabilidade da IA: Responsabilidade Profissional e Controlo Humano da Tecnologia de IA 8m • 5 Lições • Intermediário Nestas lições sobre Responsabilidade Profissional e Controlo Humano da IA, aprenderá sobre o princípio geral do controlo humano da tecnologia e como este se cruza com o desenvolvimento de sistemas de IA. Verá também como a responsabilidade dos conceptores está ligada à governação do sistema de IA e à colaboração entre várias partes interessadas, a fim de permitir um feedback valioso sobre a concepção do sistema e o seu impacto nos vários grupos de partes interessadas.
AI Ethics and Accountability: Artificial Intelligence and Sociotechnical Systems 17m • 6 Lições • Intermediário In these lessons on AI and Sociotechnical System Impact on Society and Human Values, you’ll learn how human rights may be impacted by AI and understand the intersection of civil rights and civil liberties with AI. You’ll learn about the principle of equal access to technology, services, and opportunities and how this broad principle will change as AI develops further.
Ética e responsabilidade em matéria de IA: Incidentes Críticos de Inteligência Artificial 14m • 3 Lições • Intermediário Estas lições sobre Incidentes Críticos de Inteligência Artificial analisam incidentes significativos de IA através de uma série de exemplos do mundo real de resultados negativos na IA, como foram resolvidos e como poderiam ter sido evitados. Especificamente, trabalhará com estudos de caso centrados em questões de identidade e discriminação, conteúdo ofensivo e implicações legais.
Aprendizado de máquina 55m • 20 Lições • Iniciante Neste curso, aprenderás os fundamentos do aprendizado de máquina. Serás apresentado ao aprendizado de máquina e a alguns dos conceitos e tópicos relacionados. Entenderás os vários tipos e categorias de aprendizado de máquina. Este curso também abordará como implementares modelos de aprendizado de máquina em Python a utilizar o pacote scikit-learn. Os métodos de aprendizado de máquina supervisionados e não supervisionados serão abordados e demonstrados.
Introdução ao aprendizado de máquina 13m • 6 Lições • Iniciante Este capítulo apresentará o aprendizado de máquina e suas duas categorias principais — supervisionado e não supervisionado. Aprenderás sobre o que são e como são usados. Também aprenderás sobre como o aprendizado de máquina está relacionado à inteligência artificial. A importância dos dados será discutida e explicada neste capítulo. Este capítulo também explicará a diferença entre classificação e regressão para aprendizado de máquina.
Métodos de aprendizado de máquina não supervisionado 14m • 3 Lições • Iniciante Este capítulo apresentará o aprendizado de máquina não supervisionado conceitos e técnicas. Ele cobrirá modelos de mistura gaussianas. Também abrangerá vários tipos de clustering. Este capítulo também apresentará o conceito de aprendizagem múltipla e a diferença entre vários tipos.
Métodos de aprendizado de máquina supervisionado 15m • 4 Lições • Iniciante Neste capítulo, aprenderás sobre conceitos e técnicas de aprendizagem supervisionada. Ele cobrirá a regressão linear e logística. Aprenderás sobre máquinas de vector de suporte e seus usos. Este capítulo também abrange árvores de decisão, florestas aleatórias, aprendizado conjunto e como todos eles estão relacionados. As redes neurais também são discutidas neste capítulo.
Desafios e aplicações de aprendizado de máquina 10m • 5 Lições • Iniciante Este capítulo abordará desafios e aplicações no campo de aprendizado de máquina. Ele cobrirá a seleção de modelos para aprendizado de máquina, bem como considerações éticas e outras considerações importantes. Desafios específicos de aprendizado de máquina, bem como algumas de suas aplicações mais populares, também serão abordados.
Modelagem de Classificação 1h 56m • 32 Lições • Intermediário
Aprovado por
International Institute of Business Analysis (IIBA®)
Neste curso, aprenderá os fundamentos da modelagem de classificação usando aprendizagem de máquina. Examinará o pipeline de modelo de classificação típico e onde a classificação de problemas pode ser aplicada. Também aprenderá a recolher, pré-processar e analisar os dados necessários para criar um modelo de classificação viável.
Aprendizagem de máquina e classificação 26m • 6 Lições • Intermediário Estas lições apresentarão a modelagem de classificação e o seu espaço de problemas na aprendizagem de máquina supervisionada. Isso incluirá aprender e reconhecer a diferença entre classificação e previsão e como a modelagem de classificação se encaixa no campo maior da aprendizagem de máquina. Aprenderá como abordar problemas de classificação e será apresentado ao pipeline de modelo de classificação típico.
Problemas de classificação 27m • 6 Lições • Intermediário Estas lições explicarão o processo típico de construção de modelo em referência ao pipeline do modelo de classificação. Também receberá uma introdução aos problemas de classificação binária e multiclasse e as maneiras pelas quais estes são melhor usados. Aprenderá a usar a engenharia de recursos para descobrir as melhores entradas de dados para os seus modelos de classificação.
Algoritmos/Modelos de Classificação 34m • 8 Lições • Intermediário Nestas lições, aprenderá os algoritmos de classificação mais usados e a que problemas eles normalmente se aplicam. Abordaremos vários estilos de modelagem, incluindo: regressão, Naive Bayes, máquinas de vetor de suporte, árvores de decisão, modelos de floresta aleatória, K-Nearest Neighbours e modelos multiclasse.
Desafios 16m • 6 Lições • Intermediário Nestas lições, você aprenderá a escolher o modelo certo, considerando os trade-offs entre eles. Também aprenderá a lidar com desafios comuns enfrentados em modelos de classificação, incluindo viés, imparcialidade e problemas de recolha de dados.
Formulários 10m • 4 Lições • Intermediário Estas lições guiá-lo-ão pelas várias aplicações da modelagem de classificação em cenários da vida real. Aprenderá como a modelagem de classificação e a IA estão a ser usadas em imagens médicas, diagnóstico e prevenção; e como os pesquisadores esperam ajudar os cuidados de saúde no mundo inteiro.
Redes neurais 1h 25m • 24 Lições • Iniciante Neste curso, aprenderás os fundamentos das redes neurais. Receberás uma introdução às redes neurais e conceitos e tópicos intimamente relacionados. Serás capaz de entender os vários aspetos de design das redes neurais e como fazeres selecções para elas. O curso também abordará como implementar redes neurais, especificamente em python.
Introdução às redes neurais 17m • 5 Lições • Iniciante Este capítulo apresentará as redes neurais. Aprenderás sobre o que são e como são usados. Também aprenderás sobre o tipo mais básico de rede neural. As entradas e saídas serão discutidas e explicadas neste capítulo. Este capítulo também explicará a diferença entre classificação e regressão para redes neurais.
Projecto de rede neural 29m • 7 Lições • Iniciante Este capítulo apresentará os conceitos de projecto de redes neurais. Ele abordará a importância dos dados no desempenho e na selecção de redes neurais. Ele também abordará quais funções de activação, funções de perda e otimizadores são, bem como a forma para seleccionares quais usar. Este capítulo também apresentará treinamento, teste e validação para redes neurais.
Implementação de Redes Neurais 28m • 6 Lições • Iniciante Neste capítulo, aprenderás sobre a implementação de redes neurais. Serão discutidas várias linguagens capazes de serem usadas para implementar redes neurais. Aprenderás por que o python é recomendado como a linguagem de programação para começar a implementação da rede neural. Este capítulo também abrange vários frameworks para implementação de redes neurais em python.
Aplicações práticas para redes neurais 7m • 4 Lições • Iniciante Este capítulo cobrirá usos práticos e aplicações para redes neurais. Ele abordará como as redes neurais podem ser usadas para segurança cibernética, automação, detecção de anomalias e sistemas preditivos.
Clustering em Machine Learning 2h 38m • 37 Lições • Intermediário
Aprovado por
International Institute of Business Analysis (IIBA®)
Neste curso, aprenderás o básico de uma variedade de áreas de aprendizado de máquina, a incluir clustering, deteção de anomalias e modelagem de associação. Entenderás o método mais comum de agrupamento, k-means, e como ele pode ser aplicado a dados de pesquisa para criares uma segmentação robusta de clientes, a incluir a criação de personas e uma ferramenta de digitação. Ao final deste curso, saberás como executares várias técnicas diferentes de agrupamento e análise.
Analisar clusters de dados 36m • 7 Lições • Intermediário Estas lições apresentarão o clustering e seu espaço de problemas no aprendizado de máquina não supervisionado. Serás apresentado aos pares de clustering com outras etapas de modelagem, como redução de dimensão, engenharia de recursos e previsão. Também aprenderás a considerar o clustering do ponto de vista comercial, juntamente com os tipos de problemas para os quais ele é útil.
Clustering K-means 52m • 8 Lições • Intermediário Estas lições apresentam o estilo mais comum de clustering, k-means, e funcionam por meio de um caso de uso detalhado de uma segmentação de clientes. Aprenderás a escolher variáveis de entrada, seleccionar o número de clusters e interpretar os centroides. Aprenderás como podes avaliar a qualidade de um modelo de análise de cluster e como lidares com os desafios computacionais que acompanham o clustering. Examinaremos como criar personas e métodos para classificares novos dados.
Algoritmos 24m • 6 Lições • Intermediário Nestas lições, aprenderás os algoritmos de cluster mais usados e a quais problemas eles normalmente aplicam-se. Cobriremos e avaliaremos seus pontos fortes e fracos relativos, e as vantagens e desvantagens entre eles.
Regras associação 16m • 4 Lições • Intermediário Nestas lições, aprenderás sobre as regras de associação e como elas podem ser aplicadas a lojas de varejo, sites de comércio eletrónico e plataformas de mídia. Por sua vez, exploraremos as três medidas mais importantes - suporte, confiança e sustentação - e também como podes interpretar cada uma.
Anomalias 16m • 5 Lições • Intermediário Estas lições te guiarão por vários métodos de deteção de anomalias e suas aplicações no mundo real. Aprenderás como vários estilos de aprendizado de máquina podem ser usados na deteção de anomalias e quais métodos de cluster específicos funcionam para a deteção de anomalias. Por sua vez, exploraremos as florestas de isolamento e como elas podem aplicar-se à aplicação real da deteção de fraudes.
Usos/Aplicações 10m • 5 Lições • Intermediário Estas lições levarão te a vários casos de uso e aplicações do mundo real dos métodos que abordamos no curso. Os casos de uso abrangerão vários cenários, a incluir cenários de medicina, varejo e marketing.
TensorFlow Principiante 1h 49m • 22 Lições • Iniciante Neste curso sobre TensorFlow, começará por aprender como a aprendizagem automática pode ser utilizada para resolver problemas do mundo real em diferentes domínios, como finanças e biologia. Explorará modelos de classificação, processamento de dados Pandas, visualização Seaborn e avaliação de modelos e métricas de desempenho.
TensorFlow para Principiantes: O que é o TensorFlow? 15m • 3 Lições • Iniciante O TensorFlow é uma popular biblioteca de software de código aberto para aprendizagem profunda e é amplamente utilizado em aplicações de aprendizagem automática. Nestas lições, aprenderá sobre a divisão de treino/validação mais comum e a importância de manter um equilíbrio entre os dois conjuntos. Também descobrirá uma das técnicas de pré-processamento que o TensorFlow fornece para imagens, que é crucial para melhorar a precisão do modelo.
TensorFlow para Principiantes: Aprendizagem profunda com TensorFlow 20m • 3 Lições • Iniciante A aprendizagem profunda é um campo em rápida evolução, e ter uma compreensão fundamental dos diferentes métodos e técnicas utilizados na aprendizagem profunda pode ser valioso para os profissionais neste espaço. Nestas lições, aprenderá sobre os diferentes métodos de aprendizagem profunda utilizados no domínio, incluindo as Redes Neuronais Convolucionais (CNN) e os Perceptrons Multicamadas (MLP).
TensorFlow Principiante: Redes Neurais 19m • 3 Lições • Iniciante As redes neurais tornaram-se parte integrante do aprendizado de máquina e podem ser usadas em uma variedade de aplicações, desde o processamento de imagens até o processamento de linguagem natural. Nestas lições, você aprenderá sobre os conceitos fundamentais das redes neurais, incluindo Redes Neurais Artificiais (RNAs) e o método dos mínimos quadrados. Explorará como criar uma ANN usando o TensorFlow e como usar o método dos mínimos quadrados para otimizar seu desempenho.
TensorFlow para Principiantes: Aprendizagem por transferência 20m • 4 Lições • Iniciante A aprendizagem por transferência é uma técnica poderosa na aprendizagem automática que envolve a utilização de modelos pré-treinados para melhorar o desempenho dos seus próprios modelos. Nestas lições, aprenderá sobre os diferentes benefícios da aprendizagem por transferência e como utilizar modelos pré-treinados para melhorar o desempenho dos seus projectos de aprendizagem automática.
TensorFlow para Principiante: Add-ons para TensorFlow 13m • 3 Lições • Iniciante O TensorFlow é uma ferramenta poderosa para a aprendizagem automática, mas há também uma série de complementos disponíveis que podem melhorar as suas capacidades. Nestas lições, irá explorar os diferentes add-ons disponíveis e como utilizá-los eficazmente nos seus projectos de aprendizagem automática.
TensorFlow para Principiantes: Aplicações do mundo real 18m • 4 Lições • Iniciante Nestas lições, aprenderá a aplicar técnicas de aprendizagem automática para resolver problemas complexos do mundo real em vários domínios, como finanças e biologia. Aprenderá sobre modelos de classificação e como podem ser utilizados para resolver desafios como a análise de tensão/esforço de uma barragem, como um exemplo notável.
Estás pronto para uma equipa mais produtiva, engajada e conhecedora? Começa hoje