MACHINE LEARNING LAB · INÍCIO
Da ideia matemática ao experimento.
Um material didático para estudar Machine Learning, aprendizagem supervisionada e redes neurais acompanhando fórmulas, algoritmos, gráficos e laboratórios interativos.
Explorar as trilhas01 · TRILHAS DE ESTUDO
Escolha por onde começar.
Cada botão abre diretamente a página definitiva do conteúdo, sem páginas intermediárias ou redirecionamentos.
Machine Learning
Fundamentos, tipos de aprendizagem, preparação de dados, treino, regressão, convergência e generalização.
Abrir introduçãoAprendizagem supervisionada
Classificação, regressão, árvores de decisão, SVM, LVQ e exemplos de aplicações com dados rotulados.
Abrir aprendizagem supervisionadaRedes neurais
Perceptron, MLP, ADALINE, MADALINE, RBF, Transformers, GANs, CNNs e seus processos de treinamento.
Abrir redes neurais02 · ACESSOS DIRETOS
Conceitos e prática permanecem conectados.
Preparação de dados
Tipos de variáveis, limpeza, transformação e codificação de categorias.
Estudar preparação de dados →Regressão
Compare OLS, gradiente descendente, polinômios, árvores e redes neurais.
Começar pela regressão linear →Perceptron e MLP
Entenda o neurônio artificial e avance para redes capazes de resolver relações não lineares.
Estudar o Perceptron →Laboratórios
Execute os modelos, altere entradas e acompanhe cálculos, erros e resultados.
Abrir todos os laboratórios →03 · ATIVIDADES INTEGRADORAS
Conecte o estudo a uma entrega completa.
Pratique arquitetura de redes, limpeza de dados, segurança defensiva e avaliação em uma sequência de quatro desafios.
Da MLP ao WAF
Baixe datasets, implemente seu algoritmo, execute o ambiente Docker e justifique o resultado pelas métricas.
Abrir atividades integradoras →PONTO DE PARTIDA RECOMENDADO
Comece entendendo o que significa aprender com dados.
A introdução apresenta as diferenças entre regras programadas e modelos que ajustam parâmetros usando exemplos.
Iniciar o conteúdo