Residência em Indústria 4.0

O curso tem caráter de pós-graduação lato sensu e faz parte do “Programa de Revitalização da Indústria Nordestina - NE4.0”, resultado de uma parceria entre diversas Universidades do Nordeste (UFRN, UFPB, UPE, entre outras) e a Sudene. O programa propõe a ampliação e adoção de novas tecnologias por parte das indústrias da região, envolvendo diversos segmentos e capacitando mão de obra de alta qualificação.

Curso - Inteligência Artificial

Referências

• 📚 Jason Brownlee. Machine Learning Mastery With Python. [Link]
• 📚 Jason Brownlee. Data Preparation for Machine Learning. [Link]
• 📚 Aurélien Géron. Hands on Machine Learning with Scikit-Learn, Keras and TensorFlow. [Link]
• 📚 Noah Gift, Alfredo Deza. Practical MLOps: Operationalizing Machine Learning Models [Link]

Conteúdo

Aula 01 Apresentação do curso

• Motivação, conteúdo, calendario, outros.
• 🚀 Python Crash Course

Aula 02 ❤️ Introdução ao módulo Pandas

• Fundamentos do Pandas
• Tipos principais: series e dataframes
• Seleção e atribuição de dados
• Criação de linhas e colunas
• Hands on

Aula 03 🐉 Explorando dados com Pandas

• Slicing: loc vs iloc
• Filtragem de dados usando operadores lógicos
• Agregação
• Boas práticas na utilização de laços no Pandas
• desafio
• Hands on

Aula 04 🍕 Visualização de Dados

• Gráficos de linha e séries temporais
• Gráficos de dispersão e correlação
• Gráficos de barras e histograma
• Visualização com Pandas e gráficos de malha
• Gráficos relacionais e de múltiplas variáveis
• Princípios de design
• Contando uma história
• Hands on

Aula 05 Fundamentos de Aprendizado de Máquina

• O que é aprendizado de máquina?
• Tipos de aprendizado de máquina
• Principais desafios
  • Variáveis, fluxos e controlando o caos
  • Instâncias de treinamento, desenvolvimento/validação e testes
  • Viés e variância

Aula 06 K-Vizinhos mais próximos (KNN)

• Introdução a KNN
• Avaliando o desempenho de um modelo
• KNN multivariável
• Otimização dos hiperparâmetros
• Validação cruzada
• Projeto fim a fim
• Hands on

Aula 07 Árvores de decisão

• Fundamentação teórica
  • Introdução
  • Fundamentos matemáticos
• Métricas de avaliação
  • Como escolher uma métrica de avaliação
  • Métricas de limites
  • Métricas de classificação
• 🚀 Estudo de caso
  • Google Colaboratory
  • Configurando o ambiente de desenvolvimento
  • Extração, transformação e carga (ETL)
    • Análise exploratória dos dados (EDA)
    • Coleta dos dados
    • Pandas-Profiling
    • EDA manual
    • Pré-processamento
  • Checagem dos dados
  • Segragação dos dados
  • Treinamento
    • Componente de treinamento e validação
    • Preparação dos dados e remoção de valores atípicos
    • Codificação da variável alvo
    • Codificando as variáveis independentes
    • Criando um pipeline para as variáveis categóricas
    • Criando um pipeline para as variáveis numéricas
    • Mesclando pipelines
    • Validação holdout
    • Métricas de avaliação
    • Personalização dos hiperparâmetros usando o Wandb
    • Configuração, treinamento e exportação dos melhores modelos
  • Teste

Aula 08 Implantando um Modelo de Aprendizado de Máquina em Produção

• Hands on
• Resumo da aula anterior
• Instalando o ambiente de desenvolvimento
• Gerenciamento do ambiente com o Conda
• Usando a FastAPI para construção de APIs
• Hello world usando a fastapi
• Implementando um método post
• Parâmetros da API
• Teste local da API
• Implantação da API com a FastAPI
• Consumindo uma API RESTful
• Usando pytest e fastAPI para testar a nossa API RESTful
• Fundamentos de CI/CD
• Configurando GitHub Actions
• Integração contínua
• Implantando nossa API no Heroku
  • Criando uma nova aplicação no Heroku
  • Configurando a entrega contínua
  • Depuração e teste da API