REDES NEURAIS E DEEP LEARNING

Prévia do material em texto

REDES NEURAIS E DEEP LEARNING
· compreender os fundamentos de aprendizado por reforço, agente, ações e recompensas;
· compreender os principais algoritmos de aprendizado por reforço, como Q-learning e as redes neurais;
· entender os fundamentos das redes neurais e sua relação com o aprendizado por reforço;
· implementar o aprendizado por reforço, utilizando o algoritmo Q-learning, e redes neurais, utilizando as bibliotecas Python;
· ser capaz de entender os métodos de aprendizado por comitês (ensemble methods) e suas principais arquiteturas;
· distinguir as mais importantes estratégias de aprendizado por comitês;
· implementar as principais arquiteturas de aprendizado por comitês utilizando Bagging, Stackin e ADABOOST.
REGRESSÕES E SÉRIES TEMPORAIS
· Compreender o que é a Análise de Regressão, o que são as variáveis dependentes e independentes e os processos de extrapolação e interpolação;
· Distinguir os tipos de regressão, entender os modelos matemáticos e a função de custo para determinação do erro de ajuste;
· Compreender a diferença entre correlação, covariância e causalidade e ser capaz de determinar em qual delas a relação entre duas ou mais variáveis se apresenta;
· Entender os diferentes métodos de ajuste e parametrização do modelo matemático para a definição do erro mínimo e os métodos de otimização para ajuste do modelo;
· Compreender como podemos reduzir os efeitos de viés utilizando a regularização, entender suas diferentes abordagens e saber optar entre elas; 
· Aplicar e parametrizar a Análise de Regressão em um caso real e analisar a qualidade dos resultados obtidos pelas métricas definidas durante o projeto.