Finalmente você terá um curso de Inteligência Artificial voltado para desenvolvedores e não 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 avanços gradativos respeitando o ritmo de aprendizado. Você aprenderá sobre as metodologias de Aprendizado de Máquina e sobre os principais algoritmos de Machine Learning. Tudo com exemplos práticos e alguns casos reais para fixar o conteúdo da maneira correta. Conheça a tecnologia mais badalada do momento e tenha esse diferencial no seu currículo, não perca mais tempo e embarque no fantástico mundo da Inteligência Artificial!

* Introdução ao Curso de Inteligência Artificial e Machine Learning com JavaScript

História da inteligência artificial, conceitos, métodos e aplicações.

* Redes Neurais Artificiais do Tipo Feedforward (Função de Aproximação)

Neurônio natural e neurônio artificial, função somatória, gradiente descendente com método de descida do gradiente, inputs, outputs, valores de busca, taxa de erro, épocas de treinamento, função de ativação para formatação de resultados, pesos e sinapses artificiais.

* Funções de Ativação (Formatação)

Cálculos da tangente hiperbólica, função sigmoide com resultado na curva sigmoidal, unidade linear retificada com e sem vazamento e passo binário.

* Regressão Linear Simples

Cálculos dos produtos de X por Y, quadrados de X, somatório de X, média de X, fórmula da regressão linear aplicada aos resultados, treinamento de máquina, predição, salvamento e carregamento de modelos pré-treinados e orientação a objetos no cálculo matemático.

* Regressão Linear Multivariada

Regressão linear multivariada com múltiplas entradas em uma única saída de informação.

* Naive Bayes Probabilístico

Eliminação de elementos duplicados, retorno de classes, contagem de textos coincidentes, organização de classes e entradas em objeto JSON, cálculo de frequência, contagem de classes, somatório de classes, cálculo total individual e geral, cálculo de ocorrência, aplicação do teorema de Bayes.

* Naive Bayes Classificativo

Adaptação do teorema de Bayes probabilístico para cálculo classificativo.

* K-Nearest Neighbors (KNN)

Subtrações e quadrados dos eixos X e Y, soma dos quadrados, radiciação, treinamento e predição por grau de proximidade numérica.

* Clusterização (Agrupamento de Dados) com K-Means

Exportação de módulo, média dos eixos de X e Y para o grupo, cálculo dos centroides para X e Y, elemento mínimo, retorno de índice, comparação de arrays, atualização de grupo, formatação dos grupos como vetores de uma matriz e agrupamento final.

* Aprendizado por Reforço

Salvamento e leitura dos índices dos centroides por meio de feedbacks positivos e negativos.

* Árvore de Decisão (Decision Tree)

Construtor de classe, proporção das classes para um determinado valor de eixo, proporção dividida pelo total, logaritmo na base 2 de uma divisão, produto da divisão pelo logaritmo, cálculo da multiplicação atual menos a posterior, ganho de informação, cálculo de entropia e predição classificativa.

* Rede Neural Artificial com Arquitetura Perceptron Multicamadas (Multilayer Perceptron - MLP)

Transformando um feedforward em perceptron multicamadas com configurações de construção de rede. Bias, nós de entrada, interação e saída, atualização de pesos multiplicativos em matrizes, treinamento e execução de um multilayer perceptron.

* Cálculos Estatísticos

Elemento mínimo e máximo, soma, média, mediana, produto, quadrado, cubo, valor absoluto, variância padrão, variância com tendência, variância sem tendência, desvio padrão, desvio com tendência, desvio sem tendência, raiz quadrada, multiplicação convencional e matricial, subtração, transposição, seleção aleatória, adição, divisão, logaritmos, logaritmo na base 2, aproximação para baixo, aproximação padrão, aproximação para cima, expressão e filtro.

* Rede Neural Artificial (RNA) com Fórmula Fixa

Fórmula matemática para a construção de redes neurais artificiais, camada de entrada, camada oculta, camada de saída, épocas de treinamento, taxa de erro e aprendizagem, função de ativação, aleatoriedade em pesos, gradiente descendente, função sigmoidal, neurônios artificiais e sinapse artificial.

* Manipulação de Arquivos Estruturados no Formato CSV

Conversão de CSV para objeto JSON e abjeto vetorial.

* Aprendizado de Máquina (Machine Learning) no Front-End com Layout HTML

Árvore de decisão, k-nearest neighbors, naive bayes, rede neural e regressão linear no front-end com layout HTML e eventos em JavaScript.

* Plotagem de Dados para Análise de Informações

Gráfico line, scatter, bar, pie e bubble.

* Redes Neurais Artificiais Sofisticadas

Sofisticação em redes neurais artificiais.

* Aprendizado Supervisionado

Aplicações de algoritmos de aprendizado supervisionado.

* Aprendizado Autônomo

Exemplo de aprendizado autônomo no front-end por meio de clusterização.

* Processamento de Linguagem Natural (NLP)

Processamento de linguagem natural para o reconhecimento de padrões em textos e caracteres. Identificação de indivíduos através da escrita e análise de sentimentos por meio de computação cognitiva com o teorema de bayes.

* Visão Computacional

Redes neurais convolucionais pré-treinadas para a classificação de imagens no front-end.

* Máquina de Vetores de Suporte (Support Vector Machine)

Definição dos vetores de suporte, margens, hiperplano, gamma e classificação binária.

* Regressão Logística

Cálculo regressivo para casos de classificação de dados.

* Regressão Polinomial

Propriedade degree para o grau da curva de melhor ajuste e aplicação do cálculo de regressão em dados com distribuição caótica e não linear.

* Regressão Linear Multivariável (Regressão Linear Múltipla)

Reconhecimento de padrões numéricos em múltiplas entradas e múltiplas saídas.

* Análise Classificativa de Dados com Pacotes NPM

Pacotes NPM para análise classificativa com o teorema de bayes, k-nearest neighbors e árvore de decisão.

* Análise Regressiva de Dados com Pacote NPM

Pacote NPM para análise regressiva com regressão linear múltipla.

* Agrupamento (Clusterização) com Pacotes NPM

Pacotes NPM para clusterização de dados com k-means.

* Análise Preditiva (Classificação e Regressão) com Pacotes NPM para RNA

Pacotes NPM para análise classificativa e regressiva de dados com redes neurais artificiais em distribuições lineares e não lineares.

* Redes Neurais Recorrentes (RNN)

Redes neurais recorrentes para a análise de séries temporais. Rede neural recorrente com e sem intervalo de tempo, memória de longo e curto prazo e unidades recorrentes bloqueantes. Reconhecimento de padrão sequencial por ordenação e posicionamento de dados.

* Deep Learning (O Aprendizado Profundo)

Redes neurais profundas com múltiplas camadas de interação nos dados.

* Exemplos Práticos

Cálculo salarial, precificação de imóveis, predição de cotações futuras para o dólar, bitcoin e ações da bolsa de valores.

* Conclusão e Encerramento

Conclusão e encerramento do conteúdo das aulas.