Big Data Brasil Day

Curso Machine Learning

Fique pode dentro dos conceitos e técnicas de Machine Learning aplicado à negócios. Entenda como modelar situações, prever e identificar fraudes, melhorar a experiência de interação entre humanos e computadores e, pra finalizar, como implementar modelos de DeepLearning.

Carga horária: 16 hs

Data e Horário: Dias 02 e 03 de maio das 8:00hs às 17:00hs.  Inicio do credenciamento às 7:30hs.

Incluso: Coffee Break de manhã e de tarde. Certificado de participação. Material para anotações.

Local: UMC – Avenida Imperatriz Leopoldina, 550 – SP. Primeiro andar.

Instrutores: Vitor Casadei (Instituto de Pesquisa e Inovação CESAR), Rodrigo Cunha (Neurotech), Roberto Lotufo (NeuralMind), Lucas Sampaio (Itaú)

Machine Learning emotivo

Descrição: Como utilizar técnicas de Machine Learning para entender melhor o usuário e prover uma melhor experiência de interação entre humanos e computadores.

 Conteúdo:

  • Regressão Linear
  • Técnicas de Treinamento
  • Coleta de dados e treinamento de dados de EEG (Eletroencefalograma)

Machine Learning e Suas Aplicações em análise de risco

Descrição: Como utilizar Machine Learning para prever novas oportunidades de negócios por meio de identificação de padrões e comportamentos auxiliando a tomada de decisão. O módulo tem como objetivo dar uma visão geral de Machine Learning, mostrando cases na prática, em especial, no mercado financeiro e no mercado de seguros.

 Conteúdo:

  • Regressão Logística
  • Treinamento não-supervisionado
  • Clusterização

Introdução às redes convolucionais e Deep Learning

Descrição: Este curso abordará as principais vantagens que as redes convolucionais trouxeram para o Aprendizado Profundo de Máquina (Deep Learning). Por que as redes convolucionais conseguiram vencer as competições de processamento de imagens, processamento de voz e processamento de texto e foram responsáveis pelos avanços nos veículos autônomos, processamento de face e tradutores de texto. O curso ilustrará vários exemplos de programação utilizando PyTorch e Jupyter notebooks para ajudar o aluno a assimilar os principais conceitos de desenvolvimento de aplicações utilizando Deep Learning.

 Conteúdo:

  • O que é uma convolução? Exemplos práticos
  • Entendendo tensores – matrizes multidimensionais
  • Diferença entre rede convolucional e rede densa totalmente conexa
  • Revisitando exemplos famosos como classificação Gato/Cachorro e dígitos
  • manuscritos MNIST
  • Visualização das camadas internas das redes convolucionais
  • Exemplos de classificação e de regressão
  • Principais arquiteturas de redes convolucionais: VGG, inception, resnet
  • Exemplos de Aplicação

Interpretabilidade de modelos de aprendizado de Machine Learning?

Descrição: Com o aumento do poder computacional e quantidade de dados disponíveis, o uso de técnicas de aprendizado de máquina para gerar insights de negócio tem se tornado cada vez mais comum. Uma das maiores barreiras para o uso destas técnicas é a dificuldade para interpretar as predições geradas por modelos caixa-preta, o que dificulta a adoção destes algoritmos no mercado.

 Conteúdo:

  • Redes Neurais
  • Validação de Redes Neurais
  • Por quê é importante ter interpretabilidade
  • Modelos interpretáveis (ex: regressão logística)
  • Técnicas para interpretar as predições de modelos caixa-preta (ex: redes neurais)
  • Demonstração na linguagem Python de algumas ferramentas faladas na parte teórica do curso.

 

//cursos...

Os cursos acontecerão nos dias 2 e 3 de maio na Faculdade UMC.