Introdução ao Curso
- 01-Apresentação do Curso de Inteligência Artificial com PHP-ML
- 02-Introdução a Biblioteca PHP-ML
Análise Associativa (Associação)
- 01-Instalação da Biblioteca de Inteligência Artificial PHP-ML
- 02-Construindo e Executando um Algoritmo de Associação com o PHP-ML
- 03-Apriori com Um e com Múltiplos Elementos como Resposta
- 04-Apriori com Múltiplas Classes na Passagem de Parâmetros
Análise Classificativa (Classificação)
- 01-Classificação com Support Vector Machine
- 02-Classificação com o SVM (SVC) de Múltiplos Valores na Predição
- 03-Classificação com o K-Nearest Neighbors
- 04-Classificação com o KNN Utilizando Mais Exemplos de Amostra
- 05-Classificação com o Naive Bayes
Análise Regressiva (Regressão)
- 01-Utilizando os Mínimos Quadrados no Reconhecimento de Padrões
- 02-Aplicando a Regressão em uma Distribuição Desordenada
- 03-Caso de Uso da Regressão no Reconhecimento de Padrões em Dados Desordenados
Clusterização (Agrupamento)
- 01-Agrupamento com o Algoritmo K-Means
- 02-K-Means com Mais de Dois Grupos de Clusterização
- 03-Agrupamento com o Algoritmo DBSCAN
- 04-Eliminando Grupos Vazios no DBSCAN como no K-Means
Análise Métrica (Métricas)
- 01-Calculando a Acurácia na Comparação de Dois Vetores
- 02-Tirando a Métrica com a Matriz de Confusão
- 03-Matriz de Confusão com Valores Texto
- 04-Tirando Métricas com o Relatório de Classificação
Estruturação com Pipeline
- 01-Executando dois Algoritmos Diferentes com o Pipeline
- 02-Otimizando o Algoritmo Pipeline
Redes Neurais Artificiais (Perceptron)
- 01-Construindo e Executando uma Rede Neural Aritifical Perceptron
- 02-Ensinando as Operações Lógicas para a Rede Perceptron
- 03-Múltiplas Entradas na Rede Neural Artificial Perceptron
- 04-Trabalhando com Classes String na Rede Neural
- 05-Configurando as Interações da Rede Neural Perceptron
- 06-Configurando a Taxa de Aprendizagem da Rede Neural Perceptron
- 07-Configurando as Funções de Ativação da Rede Neural Perceptron
- 08-Configurando a Estrutura da Camada Oculta da Rede
Cross Validation (Validação Cruzada)
- 01-Construindo uma Validação Cruzada (Cross Validation) com RandomSplit
- 02-Construindo uma Validação Cruzada (Cross Validation) com StratifiedRandomSpli
Seleção de Recursos
- 01-Feature Selection com Variance Threshold
- 02-Feature Selection com Select K Best
Pré-processando de Dados
- 01-Normalização com Normalizer
- 02-Convertendo Valores Nulos para Zero
Recursos de Extração
- 01-Tokenização de Textos com TokenCountVectorizer
- 02-Calculando o Grau de Importância de uma Frase no Contexto
Construindo e Manipulando Datasets
- 01-Construindo um Dataset e Extraindo Dados Dele
- 02-Removendo Elementos da Amostra de um Dataset
- 03-Consumindo Datasets no Formato CSV
- 04-Dataset Demo com o Conjunto de Dados IRIS
- 05-Dataset Demo com os Conjuntos de Dados WINE e GLASS
Salvando e Carregando Modelos
- 01-Salvando e Carregando Modelos Pré-treinados
Cálculos Matemáticos
- 01-Distância Euclidiana, Manhattan, Chebyshev e Minkowski
- 02-Construindo uma Matriz e Extraindo Atributos Dela
- 03-Cálculos Matemáticos entre Matrizes
- 04-Manipulando Arrays com o Objeto Set
- 05-Inserindo e Removendo Elementos de um Array com Set
Cálculos Estatísticos
- 01-Correlação, Média e Desvio Padrão
Aplicações Práticas de Inteligência Artificial
- 01-Apresentação dos Arquivos do Sistema de Recomendação
- 02-Codificando o Algoritmo de Recomendação
- 03-Executando o Sistema de Recomendação com Apriori
- 04-Codificando o Algoritmo de Análise de Crédito
- 05-Codificando o Algoritmo para a Geração do Modelo Pré-treinado
- 06-Executando a Análise de Crédito
- 07-Entrando com Mais Exemplos para Teste
- 08-Construindo e Executando uma Regressão Para a Precificação de Imóveis
- 09-Previsão da Cotação do Dólar com Machine Learning - Parte 1
- 10-Previsão da Cotação do Dólar com Machine Learning - Parte 2
- 11-Precisão com Quatro Casas Decimais no Dólar
Revisão de Conteúdo e Encerramento
- 01-Associação com Apriori
- 02-Classificação com Support Vector Classification
- 03-Classificação com K-Nearest Neighbors
- 04-Classificação com Naive Bayes
- 05-Regressão com Mínimos Quadrados (Least Squares)
- 06-Regressão com Support Vector Regression
- 07-Clusterização (Agrupamento) com K-Means
- 08-Clusterização (Agrupamento) com DBSCAN
- 09-Machine Learning em Classificação com Rede Neural Artificial
- 10-Deep Learning em Classificação com Rede Neural Artificial
- 11-Salvando o Modelo de Construção e Treinamento
- 12-Correlação Estatística em Dados Estruturados
- 13-IRIS Dataset para Testes Classificativos
- 14-WINE Dataset para Testes Classificativos
- 15-GLASS Dataset para Testes Classificativos
- 16-Despedida e Encerramento do Curso. Boa Sorte!
