Programa

Aula 1 - Conceitos da Inteligência Artificial (IA)
Inteligência Artificial e sua relação com a natureza (Biomimética)


A definição de IA, aprendizado de máquina e aprendizagem profunda
Desenvolvimentos históricos que agora diferenciam a IA moderna da IA anterior
Exemplos de aprendizado de máquina e aprendizagem profunda
As diferenças entre a aprendizagem supervisionada e a não supervisionada
Exemplos onde a IA está sendo aplicada

Aula 2 - Setores que a Inteligência Artificial está transformando
Cuidados de saúde e genômica

Biologia
Medicina
Marketing
Design e Moda
Agronegócios
Energia Renovável
Transportes e direção autônoma
Segurança
Processamento de Linguagem Natural
Varejo e cadeia de suprimentos
Processos Jurídicos
Finanças
Industrial
Setor Público

Aula 3 - Fluxo de trabalho da ciência de dados

Identificar as etapas no fluxo de trabalho da ciência de dados
Identificar os principais papéis e conjuntos de habilidades dentro do campo da IA
Descrever maneiras de estruturar uma equipe de IA
Identificar equívocos comuns da ciência de dados
Identificar os componentes da manutenção do modelo de IA após a implantação

Aula 4 - Introdução ao conceito de aprendizagem supervisionada

Explicar como formular um problema de aprendizagem supervisionada
Comparar e compreender as diferenças entre treinamento e inferência
Descrever os perigos do sobre-ajuste e do treinamento versus testes de dados
Entender como a linguagem de programação Python se aplica à IA
Para uma compreensão mais avançada do aprendizado de máquina e da aprendizagem supervisionada, veja Intel, Aprendizado de Máquina 501.

Aula 5 -  Fontes e tipos de dados no treinamento de uma rede neural de inteligência artificial

Como reconhecer situações em que mais amostras de dados são necessárias
Data wrangling, data augmentation, e engenharia de recursos
Como identificar problemas como sobre-ajuste e sub-ajuste
Vários conjuntos de dados populares usados no treinamento de redes neurais
Diferentes métodos de pré-processamento de dados
Formas de rotular dados
Como identificar desafios ao trabalhar com dados

Aula 6 - Princípios da aprendizagem profunda
Os conceitos básicos da aprendizagem profunda e como ela se incorpora à IA e ao aprendizado de máquina
Os tipos de problemas que a aprendizagem profunda resolve
As etapas na construção de um modelo de rede neural
A definição de uma rede neural convolucional (CNN)
Transferência de aprendizagem, e porque ela é útil.
Arquiteturas comuns de aprendizagem profunda
Para uma compreensão mais avançada sobre aprendizagem profunda, veja Intel Aprendizagem Profunda 501.

Aula 7 - OFICINA PRÁTICA

Aplicação na área de varejo
Aplicação na área de engenharia
Aplicação na área de moda
Aplicação na área de Marketing
Aplicação na área de saúde

Aula 8 - Hardware para IA

Computação ponta-a-ponta para IA
Os recursos fornecidos pelos data centers, gateways e computação de borda
Os diferentes tipos de processadores do data center à borda
Como o hardware da Intel® se aplica à IA

Aula 9 - Revisão dos principais componentes de construção de software

Frameworks de aprendizagem profunda
Bibliotecas e frameworks otimizados para arquitetura Intel®
O impacto do big data e o uso da biblioteca BigDL para o Apache Spark*
Obtendo acesso à Intel® AI DevCloud


Aula 10 - Introdução a Softwares e Cases de AI

Weka
Rapidminer
Otimização
Classificação
Regressão
Decifrar e traduzir manuscritos antigos

Aula 11 - Introdução a Cases de AI

Clusterização
Deep Learning

Aula 12 - O que está por vir
Aplicações mais recentes na área de Machine Learning

CASES:
The Chef With The Most Recipes In The World
Plataformas adaptativas
Disrupção antecipada
Melhoria dos serviços
Diálogo sobre o futuro da humanidade

Aula 13 - OFICINA PRÁTICA

Aplicação na área de segurança
Aplicação na área de finanças
Aplicação na área de petróleo
Aplicação na área de ciência da computação
Aplicação na área de economia

Aula 14 - O que vem agora?

Machine Learning, Inteligência Artificial II, Deep Learning Developer

Aula 15 - Avaliação Final