1 | Introdução | |
2 | Regressão Linear | (aula) |
3 | Gradiente Descendente | (aula) |
4 | Regressão Linear Múltipla e Vetorização | (aula) |
5 | Gradiente Descendente: Otimizações e Detalhes | (aula) |
6 | Classificação Com Regressão Logística | (aula) |
7 | Gradiente Para Regressão Logística, Overfitting e Regularização | (aula) |
8 | Redes Neurais | (aula) |
9 | Forward Propagation e Implementação | (aula) |
10 | Implementação Avançada do Forward Propagation | (aula) |
11 | Treinamento de Redes Neurais e Funções de Ativação | (aula) |
12 | Classificação Multiclasse | (aula) |
13 | Backpropagation, Otimização Avançada e Tipos de Camadas | (aula) |
14 | Aplicando Aprendizado De Máquina | (aula) |
15 | Viés e Variância | (aula) |
16 | Processo de Desenvolvimento, Transfer Learning e Datasets Distorcidos | (aula) |
17 | Árvores de Decisão | (aula) |
18 | Árvores de Decisão e Emsembles | (aula) |
19 | Clusterização | (aula) |
20 | Detecção de Anomalias | (aula) |
21 | Sistemas de Recomendação: Filtragem Colaborativa | (aula) |
22 | Sistemas de Recomendação: Implementação e Filtragem por Conteúdo | (aula) |
23 | Análise de Componente Principal | (aula) |
24 | Aprendizado Por Reforço | (aula) |
25 | Função de Valor Ação-Estado | (aula) |
26 | Espaço de Estados Contínuo | (aula) |