Python é uma das melhores linguagens para inteligência artificial por conta de sua sintaxe simples e ótima legibilidade, permitindo uma testagem rápida de algoritmos complexos de machine learning. Além disso, possui boas ferramentas de trabalho colaborativo, como o Google Colab e Jupyter Notebooks.
Aprenda a Linguagem de Programação Python direcionado a programação de Inteligência Artificial nesse excelente curso gratuito disponibilizado pelo professor Rafael Rossi do canal Rafael Rossi.
Este curso pode ser feito por iniciantes e pode ser o seu primeiro contato com uma linguagem de programação.
Curriculum
- 10 Sections
- 98 Lessons
- Lifetime
Expand all sectionsCollapse all sections
- 1 - Introdução ao Python - Parte I11
- 2.101 – Introdução ao Python
- 2.202 – Tipos Básicos Simples
- 2.303 – Tipos Básicos – Listas
- 2.404 – Tipos Básicos – Tupla, Dict e Set
- 2.505 – Operações Matemáticas
- 2.606 – Input e Print (entrada e saída básicas)
- 2.707 – Formatação de Strings
- 2.808 – Testes Lógicos
- 2.909 – Estruturas de Seleção
- 2.1010 – Estruturas de Repetição
- 2.1111 – Tipo None
- 2 - Introdução ao Python - Parte II9
- 3 - Numpy6
- 4 - Pandas - Parte I10
- 5 - Pandas - Parte II11
- 6 - Chatbots - Parte I8
- 7 - Chatbots - Parte II7
- 8 - Pré-processamento e Classificação de Textos - Parte I - Introdução14
- 9.101 – Introdução à Análise Inteligente e à Classificação de Textos
- 9.202 – Introdução ao Modelo Espaço Vetorial e a Bag-of-Words
- 9.303 – Limpeza, padronização, seleção e esquemas de pesos dos termos
- 9.404 – Termos Compostos por Mais de Uma Palavra
- 9.505 – Usando o ScikitLearn para Gerar Representações – Parte 1
- 9.606 – Usando o ScikitLearn para Gerar Representações – Parte 2
- 9.707 – Usando o ScikitLearn para Gerar Representações – Parte 3
- 9.808 – Usando o NLTK – Parte 1
- 9.909 – Usando o NLTK – Parte 2
- 9.1010 – Usando o NLTK e Integrando com os Vetorizadores do ScikitLearn
- 9.1111 – Usando o Spacy – Parte I
- 9.1212 – Usando o Spacy e Integrando com os Vetorizadores do ScikitLearn
- 9.1313 – Usando o Gensim para Extrair Colocações
- 9.1414 – TextBlog e Considerações Finais
- 9 - Pré-processamento e Classificação de Textos - Parte II - Neural Embeddings13
- 10.101 – Introdução às Embeddings
- 10.202 – One Hot Encoding
- 10.303 – Continuous Bag Of Words (CBOW) – Teoria
- 10.404 – Utilizando o CBOW no Gensim
- 10.505 – SkipGram – Teoria
- 10.606 – Utilizando o SkipGram no Gensim
- 10.707 – FastText – Teoria
- 10.808 – Utilizando o FastText no Gensim
- 10.909 – Utilizando Word Embeddings – Pré treinadas
- 10.1010 – Gerando Document Embeddings por Meio das Word Embeddings
- 10.1111 – Representações de Documentos por meio de Neural Embbeddings
- 10.1212 – Usando o Doc2Vec do Gensim
- 10.1313 – Considerações Finais e Materiais Complementares
- 10 - Redes Neurais9
- 11.101 – Visão Computacional e Redes Neurais Convolucionais
- 11.202 – Representação, Filtros e Redimensionamento de Imagens
- 11.303 – Redes Neurais Convolucionais e Filtros de Convolução
- 11.404 – Pooling, Flattening, Densa e Vantagens
- 11.505 – Prática 1 – Criando a Rede Neural Convolucional Manualmente
- 11.606 – Arquiteturas de Redes Neurais Convolucionais
- 11.707 – Pratica 2 – Utilizando Arquiteturas Existentes
- 11.808 – Técnicas para Aumentar a Performance de Classificação
- 11.909 – Prática 3 – Melhorando a Performance de Classificacao
