Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução
- Panorama do reconhecimento de padrões e da aprendizagem automática
- Principais aplicações em vários domínios
- Importância do reconhecimento de padrões na tecnologia moderna
Teoria das probabilidades, seleção de modelos, decisão e teoria da informação
- Noções básicas da teoria das probabilidades no reconhecimento de padrões
- Conceitos de seleção e avaliação de modelos
- Teoria da decisão e suas aplicações
- Fundamentos da teoria da informação
Distribuições de probabilidade
- Visão geral das distribuições de probabilidade comuns
- Papel das distribuições na modelação de dados
- Aplicações no reconhecimento de padrões
Modelos lineares para regressão e classificação
- Introdução à regressão linear
- Compreender a classificação linear
- Aplicações e limitações dos modelos lineares
Neural Networks
- Noções básicas de redes neurais e aprendizagem profunda
- Treinar redes neuronais para reconhecimento de padrões
- Exemplos práticos e estudos de caso
Métodos de Kernel
- Introdução aos métodos de kernel no reconhecimento de padrões
- Máquinas de vectores de suporte e outros modelos baseados em kernel
- Aplicações em dados de elevada dimensão
Máquinas de kernel esparsas
- Compreender os modelos esparsos no reconhecimento de padrões
- Técnicas de esparsidade e regularização de modelos
- Aplicações práticas em análise de dados
Modelos gráficos
- Visão geral dos modelos gráficos na aprendizagem automática
- Redes Bayesianas e campos aleatórios de Markov
- Inferência e aprendizagem em modelos gráficos
Modelos mistos e EM
- Introdução aos modelos mistos
- Algoritmo de maximização da expetativa (EM)
- Aplicações em clustering e estimação de densidade
Inferência aproximada
- Técnicas de inferência aproximada em modelos complexos
- Métodos variacionais e amostragem de Monte Carlo
- Aplicações em análise de dados em grande escala
Métodos de amostragem
- Importância da amostragem em modelos probabilísticos
- Técnicas de Monte Carlo em cadeia de Markov (MCMC)
- Aplicações no reconhecimento de padrões
Variáveis latentes contínuas
- Compreensão dos modelos de variáveis latentes contínuas
- Aplicações na redução da dimensionalidade e na representação de dados
- Exemplos práticos e estudos de caso
Dados sequenciais
- Introdução à modelação de dados sequenciais
- Modelos de Markov ocultos e técnicas relacionadas
- Aplicações em análise de séries temporais e reconhecimento de voz
Combinação de modelos
- Técnicas de combinação de vários modelos
- Métodos de conjunto e reforço
- Aplicações para melhorar a exatidão dos modelos
Resumo e próximos passos
Requisitos
- Conhecimentos de estatística
- Familiaridade com cálculo multivariado e álgebra linear básica
- Alguma experiência com probabilidades
Público-alvo
- Analistas de dados
- Estudantes de doutoramento, investigadores e profissionais
21 Horas
