Discutiremos por que hoje as redes neurais funcionam tão bem para lidar com vários problemas, começando pela história do aprendizado de máquina. Em seguida, falaremos sobre como configurar um problema de aprendizado supervisionado e encontrar uma boa solução com gradiente descendente. Isso envolve a criação de conjuntos de dados que permitem a generalização. Esses métodos serão abordados de maneira didática para auxiliar na realização dos testes. Objetivos do curso: Identificar por que o aprendizado profundo é mais usado hoje em dia Otimizar e avaliar modelos usando funções de perda e métricas de desempenho Reduzir problemas comuns que surgem no aprendizado de máquina Criar conjuntos de dados de treinamento, avaliação e testes que podem ser repetidos e escalonáveis
Este curso faz parte do Programa de cursos integrados Machine Learning with TensorFlow on Google Cloud Platform em Português Brasileiro
Launching into Machine Learning em Português Brasileiro
oferecido por
Programa - O que você aprenderá com este curso
Introdução
Neste curso, você obterá conhecimento básico sobre o aprendizado de máquina para entender a terminologia que usamos em toda a especialização. Você também aprenderá dicas práticas e armadilhas que os profissionais de aprendizado de máquina enfrentam aqui no Google e terminará o curso com o código e o conhecimento necessários para criar seus próprios modelos de aprendizado de máquina.
Aprendizado de máquina na prática
Neste módulo, apresentaremos alguns dos principais tipos de aprendizado de máquina e revisaremos a história dessa tecnologia até a geração mais recente. Com isso, você poderá acelerar seu crescimento como praticante do aprendizado de máquina.
Otimização
Neste módulo, mostraremos a você como otimizar seus modelos de aprendizado de máquina.
Generalização e amostragem
Agora chegou a hora de responder a uma pergunta um tanto estranha: em qual situação é preferível não escolher o modelo de aprendizado de máquina mais preciso? Como já dissemos no módulo anterior sobre otimização, o fato de um modelo apresentar uma métrica de perda igual a zero para seu conjunto de dados de treinamento não significa que ele terá um bom desempenho com novos dados em um caso real.
Principais avaliações do Launching into Machine Learning em Português Brasileiro
O curso é bem estruturado e com uma parte histórica do estudos que fundamentaram o Aprendizado de Máquina excelente. Parabéns pela metodologia e pelo conteúdo!
Curso excelente, com uma abordagem prática que ajuda a diminuir a complexidade da teoria.
Sobre Google Cloud
Sobre Programa de cursos integrados Machine Learning with TensorFlow on Google Cloud Platform em Português Brasileiro
Perguntas Frequentes – FAQ
Posso assistir uma prévia do curso antes de me inscrever?
Sim, você pode assistir uma prévia do primeiro vídeo e ver programa do curso antes de se inscrever. Você precisa comprar o curso para ter acesso ao conteúdo não incluído na prévia.
Quando terei acesso às palestras e às tarefas?
Se decidir se inscrever no curso antes da data de início da sessão, terá acesso a todos os vídeos das palestras e leituras do curso. Também poderá enviar tarefas assim que a sessão começar.
O que recebo ao me inscrever?
Uma vez inscrito, e tão logo sua sessão tenha iniciado, você terá acesso a todos os vídeos e outros recursos, incluindo itens de leitura e fórum de discussão do curso. Você poderá ver e enviar tarefas práticas e concluir tarefas com nota atribuída obrigatórias para obter uma nota e um Certificado de Curso.
Quando receberei meu Certificado de Curso?
Se você concluir o curso com êxito, seu Certificado de Curso eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn.
Por que não posso assistir este curso como ouvinte?
Este curso é um dos poucos oferecidos pela Coursera que está disponível apenas para alunos que tenham pago ou recebido auxílio financeiro, quando disponível.
Qual é a política de reembolso?
Existe algum auxílio financeiro disponível?
Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.
