book

Aprendizagem automática aplicada e IA para engenheiros

by Jeff Prosise

April 2025

Intermediate to advanced

428 pages

12h 6m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Quem deve ler este livroPorque escrevi este livroExecuta as amostras de código do livroComo navegar neste livroConvenções utilizadas neste livroUtilizar exemplos de códigoAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
O que é a aprendizagem automática?Aprendizagem automática versus inteligência artificialAprendizagem supervisionada versus não supervisionadaAprendizagem não supervisionada com k-Means ClusteringAplicação do k-Means Clustering a dados de clientesSegmentar clientes usando mais de duas dimensõesAprendizagem supervisionadak-vizinhos mais próximosUsando k-Nearest Neighbors para classificar floresResumo
Regressão linearÁrvores de decisãoFlorestas aleatóriasMáquinas de aumento de gradienteMáquinas de vetor de suporteMedidas de precisão para modelos de regressãoUtilizar a regressão para prever as tarifas de táxiResumo
Regressão logísticaMedidas de precisão para modelos de classificaçãoDados categóricosClassificação bináriaClassifica os passageiros que viajaram no TitanicDetetar fraudes com cartões de créditoClassificação multiclasseConstruir um modelo de reconhecimento de dígitosResumo
Preparar o texto para classificaçãoAnálise de sentimentosNaive BayesFiltragem de spamSistemas de recomendaçãoSemelhança de cossenoCriar um sistema de recomendação de filmesResumo
Como funcionam as máquinas de vetor de suporteNúcleosTruques do kernelAfinação de hiperparâmetrosNormalização de dadosPipeliningUtilização de SVMs para reconhecimento facialResumo
Compreender a análise de componentes principaisFiltragem de ruídoAnonimização de dadosVisualizando dados de alta dimensãoDeteção de anomaliasUtilizar a ACP para detetar fraudes com cartões de créditoUtilização de PCA para prever a falha de rolamentosDeteção multivariada de anomaliasResumo
Consumir um modelo Python a partir de um cliente PythonControlo de versões de ficheiros PickleConsumir um modelo Python a partir de um cliente C#Contentorizar um modelo de aprendizagem automáticaUtilizar o ONNX para colmatar o fosso linguísticoCriar modelos ML em C# com ML.NETAnálise de sentimentos com ML.NETGuardar e carregar modelos ML.NETAdicionar capacidades de aprendizagem automática ao ExcelResumo

Compreender as Redes NeuronaisTreinar redes neuraisResumo
Criar redes neurais com o Keras e o TensorFlowDimensiona uma rede neuralUtiliza uma Network+ para prever as tarifas de táxiClassificação binária com redes neuraisFazendo previsõesTreina uma rede neural para detetar fraudes com cartões de créditoClassificação multiclasse com redes neuraisTreina uma Network+ para reconhecer rostosAbandonoGuardar e carregar modelosCallbacks do KerasResumo
Compreender as CNNsUsa o Keras e o TensorFlow para criar CNNsTreina uma CNN para reconhecer a vida selvagem do ÁrticoCNNs pré-treinadasUtilizar o ResNet50V2 para classificar imagensAprendizagem por transferênciaUtiliza a aprendizagem por transferência para identificar a vida selvagem do ÁrticoAumento de dadosAumento da imagem com ImageDataGeneratorAumento de imagem com camadas de aumentoAplicação da ampliação de imagens à vida selvagem do ÁrticoPooling globalClassificação de áudio com CNNsResumo
Deteção de rostoDeteção de rostos com Viola-JonesUsando a implementação OpenCV de Viola-JonesDeteção de rostos com redes neurais convolucionaisExtrair rostos de fotografiasReconhecimento facialAplicar a aprendizagem por transferência ao reconhecimento facialReforçar a aprendizagem por transferência com pesos específicos da tarefaArcFaceJuntando tudo: Detetar e reconhecer rostos em fotografiasLidar com rostos desconhecidos: Classificação de Conjuntos Fechados e de Conjuntos AbertosResumo
R-CNNsMáscara R-CNNYOLOYOLOv3 e KerasDeteção de objectos personalizadaTreinar um modelo de deteção de objectos personalizado com o serviço de visão personalizadaUtilização do modelo exportadoResumo
Preparação do textoEmbeddings de palavrasClassificação do textoAutomatiza a vetorização de textoUtiliza a vectorização de texto num modelo de análise de sentimentosFatorizar a ordem das palavras nas previsõesRedes Neuronais Recorrentes (RNNs)Utilizar modelos pré-treinados para classificar textoTradução automática neuralCodificadores-Decodificadores LSTMTransformador Codificador-DecodificadorConstrução de um modelo NMT baseado em transformadoresUtilizar modelos pré-treinados para traduzir textoRepresentações de codificadores bidireccionais a partir de transformadores (BERT)Construir um sistema de resposta a perguntas baseado no BERTAperfeiçoar o BERT para efetuar análises de sentimentoResumo
Apresentando os Serviços Cognitivos do AzureChaves e pontos finaisChamando as APIs dos Serviços Cognitivos do AzureContentores dos Serviços Cognitivos do AzureO serviço de visão por computadorO serviço linguísticoO serviço de traduçãoO serviço de discursosJunta tudo: Contoso TravelResumo

Content preview from Aprendizagem automática aplicada e IA para engenheiros

Capítulo 14. Serviços Cognitivos do Azure

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

Quando era criança e cresci nos anos 60, idolatrava os astronautas da Apollo. Desfilando até à rampa de lançamento e lançando foguetões em chamas para o espaço, eles eram os meus super-heróis. Mas o grupo que eu realmente queria imitar - as pessoas que eu queria ser - eramos engenheiros do Controlo da Missão. Sentados em frente aos seus ecrãs CRT, com camisas brancas e gravatas pretas, conversando com os astronautas e prontos a entrar em ação ao primeiro sinal de problemas, eles eram o epítome do fixe. Utilizaram computadores menos potentes do que os actuais smartphones para colocar homens na Lua - um feito científico que ainda hoje não foi superado.

Graças ao Deep Learning, os computadores de hoje podem realizar proezas mágicas com as quais os engenheiros do Controlo da Missão apenas poderiam ter sonhado. Conseguem reconhecer objectos em imagens, traduzir texto e discurso para outras línguas, identificar pessoas em feeds de vídeo, transformar arte em palavras e palavras em arte, e muito mais. Mas os modelos de Deep Learning de última geração são demasiado complexos - e demasiado dispendiosos - para serem construídos por um engenheiro ou programador de software comum. Segundo consta, a Microsoft gastou centenas de milhares de dólares a treinar o modelo ResNet que venceu o Desafio de Reconhecimento Visual em Grande Escala ...