What are the required knowledge to become a Data Scientist? (PART 4) Aprendizado por Reforço Métodos de Montecarlo Métodos de diferenças temporais ...
Aprendizado por Reforço
Métodos de Montecarlo
Métodos de diferenças temporais
Q-Learning
Sistemas de Recomendação
Filtro Colaborativo
Filtro baseado em conteúdo
Sistemas híbridos
Técnicas de Validação e Ajuste de Hiperparâmetros
Estratégias de Validação
Ajuste de hiperparametros
Engenharia de atributos
Ensemble Learning (Stacking e Blending)
Redes Neurais
O que são redes neurais artificiais?
Principais conceitos (perceptron, funções de ativação, backpropagation (retropropagação) e gradient descent (descida do gradiente)
Principais bibliotecas no Python para RNA
Redes neurais multicamadas
Aprendizado Profundo
Redes Neurais Recorrentes (Sequencia a sequencia, LSTM (long short-term memory), GRU (Gated Recurrent Unit), Redes Recorrentes Bi-Direcionais, Redes Hopfield, Tempo Contínuo)
Rede Neural Convolucional (Convolutional Neural Network)
Rede Adversarial Generativa (Generative Adversarial Network)
Redes de crenças profundas (Deep Belief Networks)
Processamento de linguagem natural
Reconhecimento óptico de caracteres (OCR)
Tradução de máquina
Análise sintática (Parsing)
Reconhecimento de entidade nomeada (NER – Named entity recognition)
Reconhecimento de fala (Speech Recognition)
Geração de língua natural
Compreensão da língua natural
Maquina de tradução
Sumarização automática
Resolução de correferência
Segmentação morfológica
Marcação de classe gramatical (tagging)
Respostas a perguntas
Análise de subjetividade (sentiment analysis ou opinion mining)
Robótica
Aprendizado auto-supervisionado
Inteligência Visual
Tomada de Decisão
Dinâmica e Controle
Essa pergunta também está no material:
💡 1 Resposta
Ed 
Os conhecimentos necessários para se tornar um Cientista de Dados incluem: - Aprendizado por Reforço - Métodos de Montecarlo - Métodos de diferenças temporais - Q-Learning - Sistemas de Recomendação - Filtro Colaborativo - Filtro baseado em conteúdo - Sistemas híbridos - Técnicas de Validação e Ajuste de Hiperparâmetros - Estratégias de Validação - Ajuste de hiperparâmetros - Engenharia de atributos - Ensemble Learning (Stacking e Blending) - Redes Neurais - Redes neurais multicamadas - Aprendizado Profundo - Redes Neurais Recorrentes (Sequencia a sequencia, LSTM (long short-term memory), GRU (Gated Recurrent Unit), Redes Recorrentes Bi-Direcionais, Redes Hopfield, Tempo Contínuo) - Rede Neural Convolucional (Convolutional Neural Network) - Rede Adversarial Generativa (Generative Adversarial Network) - Redes de crenças profundas (Deep Belief Networks) - Processamento de linguagem natural - Reconhecimento óptico de caracteres (OCR) - Tradução de máquina - Análise sintática (Parsing) - Reconhecimento de entidade nomeada (NER – Named entity recognition) - Reconhecimento de fala (Speech Recognition) - Geração de língua natural - Compreensão da língua natural - Maquina de tradução - Sumarização automática - Resolução de correferência - Segmentação morfológica - Marcação de classe gramatical (tagging) - Respostas a perguntas - Análise de subjetividade (sentiment analysis ou opinion mining) - Robótica - Aprendizado auto-supervisionado - Inteligência Visual - Tomada de Decisão - Dinâmica e Controle
✏️ Responder
Para escrever sua resposta aqui, entre ou crie uma conta
Outros materiais
Perguntas relacionadas
Materiais relacionados
6 pág.
Compartilhar