Nesta trilha você irá conhecer os tópicos essenciais sobre o desenvolvimento de Inteligências Artificiais, se aventurar no ecossistema e aprender na prática todas as possibilidades que essa área tem para oferecer.
A trilha começa pela introdução histórica da área, passa por uma revisão de estatística, análise exploratória de dados e, a partir daí, mergulha nos fundamentos do aprendizado de máquina.
- Introdução e evolução da Inteligência Artificial
- Conceitos de estatística aplicados a dados
- Técnicas de análise exploratória de dados (EDA)
- Fundamentos de Machine Learning
- Criação de modelos utilizando diferentes algoritmos
- Tratamento e preparação de dados reais
- Entrega de modelos preditivos aplicados a problemas reais
Com uma abordagem prática, você irá:
- Manipular e preparar conjuntos de dados
- Criar modelos de aprendizado de máquina
- Explorar diferentes algoritmos de IA
- Aplicar os conhecimentos em casos reais
Capacitar você a entender, desenvolver e aplicar Inteligência Artificial em diversos cenários, explorando suas aplicações práticas e o impacto dessa tecnologia.
- História e evolução da IA
- Conceitos fundamentais
- Tipos de problemas (regressão, classificação, clusterização)
- Configuração do ambiente de desenvolvimento (Python, VS Code, ambientes virtuais)
- Estatística descritiva
- Medidas de tendência central e dispersão
- Correlação e interpretação de dados
- Visualização gráfica aplicada a dados reais
Base essencial para entender e avaliar modelos de Machine Learning.
- Manipulação de dados com Pandas
- Limpeza e tratamento de dados
- Dados ausentes e outliers
- Análises univariadas e bivariadas
- Formulação de hipóteses e geração de insights
Etapa crítica antes da construção de qualquer modelo.
- Conceitos fundamentais de ML
- Overfitting e Underfitting
- Ética em IA
- Primeiros modelos com Scikit-Learn
- Avaliação e métricas de desempenho
- Regressão Linear Simples
- Regressão Linear Múltipla
- Regressão Polinomial
- Regressão Logística
- Árvores de Decisão
- Naive Bayes
- Técnicas complementares (validação cruzada, seleção de features)
Foco em interpretação de modelos e aplicação em cenários reais.
- K-Means
- Clusterização Hierárquica
- PCA (Análise de Componentes Principais)
- t-SNE
- Apriori (Regras de Associação)
- Técnicas avançadas de clusterização e detecção de anomalias
Exploração de padrões e descoberta de estruturas ocultas nos dados.
- Bagging, Boosting, Stacking e Voting
- Random Forest
- CatBoost
- LightGBM
Aumento de performance e robustez dos modelos preditivos.
- Resolução de problemas reais com múltiplos datasets
- Construção de pipelines completos de Machine Learning
- Avaliação, validação e entrega de modelos
- Projeto final com potencial para portfólio profissional
Ao longo da trilha, você irá desenvolver projetos envolvendo:
- Previsão de preços e valores
- Classificação de dados reais
- Detecção de padrões e anomalias
- Sistemas de recomendação
- Aplicações com inferência batch e APIs
- Python
- Pandas, NumPy
- Matplotlib, Seaborn
- Scikit-Learn
- FastAPI
- Jupyter Notebook
- Git & GitHub
Ao final desta trilha, você será capaz de:
- Compreender o ciclo completo de um projeto de IA
- Analisar e preparar dados de forma profissional
- Construir, avaliar e comparar modelos de Machine Learning
- Aplicar IA em problemas reais do mercado
- Criar projetos sólidos para portfólio
📌 Trilha baseada na formação de Machine Learning em Inteligência Artificial da Rocketseat.