Introdução a Redes Neurais

Cronograma das aulas

Aula 1: Introdução à Inteligência Artificial e Fundamentos Matemáticos (02/04)

• Breve história da inteligência artificial
• Algebra linear básica
• Métodos estatísticos de tendência central e dispersão

Aula 2: Métodos de Inferência Estatística (16/04)

• Medidas de Tendências Centrais: Média, Mediana e Moda
• Medidas de Dispersão: Variância e Desvio Padrão
• Análise de Correlação: Coeficiente de Pearson
• Inferência Estatística e Amostragem: População vs. Amostra

Aula 3: Conceitos introdutórios de Machine Learning (30/04)

• Função Softmax para classificação multiclasse
• Métricas de erro: MSE, MAE, RMSE, ECB e Acurácia
• Matriz de confusão e avaliação de classificadores
• Funções de ativação: Sigmoid, Tanh, ReLU e Softmax
• Funções de perda: MSE vs. Entropia Cruzada Binária
• Convexidade e mínimos locais/globais
• Taxa de aprendizado (Learning Rate)
• Gradiente Descendente: GD, SGD e Mini-Batch
• Separabilidade linear e o problema XOR

Aula 4: Algorítmo Backpropagation (14/05)

• Backpropagation
• Prática interativa

Aula 5: Análise Exploratória de Dados como Investigação Estatística (28/05)

• O que é EDA e o problema dos dados brutos
• Dataset Titanic
• Explorando estrutura e qualidade de dados
• Análise através de gráficos
• Da EDA para modelos de inferência reais