Ciência de Dados e Machine Learning: Tomada de Decisões Orientadas por Dados

O programa Ciência de Dados e Machine Learning: Tomada de Decisões Orientadas por Dados apresenta um currículo cuidadosamente elaborado pelo corpo docente do MIT, que visa fornecer as habilidades e o conhecimento para aplicar técnicas de ciência de dados para ajudá-lo a tomar decisões orientadas por dados.

Este programa de certificação profissional em ciência de dados foi projetado para as necessidades dos profissionais de dados que buscam crescimento em suas carreiras e melhoria de suas habilidades em ciência de dados para resolver problemas complexos de negócios. Em um período relativamente curto, o programa visa desenvolver sua compreensão das tecnologias mais relevantes do setor hoje, como machine learning e deep learning, análise de rede, sistemas de recomendação, redes neurais gráficas, séries temporais, ChatGPT e Inteligência Artificial (IA) generativa. Portanto, o programa é mais adequado para alunos com exposição prévia ao trabalho com dados usando algumas ferramentas e aplicando algoritmos e métodos básicos.

Semanas 1–2: Fundamentos da Ciência de Dados

Nas primeiras duas semanas, abordaremos os conceitos fundamentais da ciência de dados, que formam a base do curso e o ajudam a percorrer o resto de sua jornada com facilidade.

Python para Ciência de Dados

Um estudo de caso

Para cientistas de dados e especialistas em machine learning, Python é uma língua franca devido ao imenso potencial dessa linguagem de programação. Para fortalecer sua base em Python, este módulo foca em NumPy, Pandas e visualização de dados.


• Numpy

Numpy é uma biblioteca Python para computação científica que permite trabalhar com arrays e matrizes multidimensionais.


• Panda

Pandas é uma poderosa biblioteca de código aberto da linguagem Python utilizada para analisar e manipular dados.


• Visualização de dados

Visualização de dados significa lidar com a representação gráfica dos dados, o que gera insights a partir dos dados de maneira eficaz usando bibliotecas matplotlib, seaborn etc.

Estatística para Ciência de Dados

Um estudo de caso

O conteúdo desta semana ajudará você a entender como a estatística auxilia as organizações na tomada de decisões eficazes, aprender suas ferramentas mais utilizadas e como resolver problemas de negócios por meio de análise, interpretação de dados e experimentos. Serão abordados os seguintes tópicos:

• Estatística descritiva

Fornece as medidas fundamentais de um resumo estatístico dos dados.

• Estatística inferencial

Explora as áreas de distribuições e estimativa de parâmetros, permitindo a você inferir a partir dos dados.

Semana 3: Recesso da Aprendizagem

Semana 4: Compreendendo os Dados Não Estruturados

Nesta semana, você aprenderá como aplicar diferentes técnicas de machine learning em dados não estruturados para revelar padrões e insights.

Introdução

Você aprenderá sobre um dos aspectos essenciais de machine learning: aprendizado não supervisionado.

• O que é aprendizado não supervisionado e por que é desafiador?

Algoritmos de aprendizado não supervisionado ajudarão você a analisar e agrupar conjuntos de dados não rotulados. Neste capítulo, você aprenderá sobre aprendizado não supervisionado e os desafios encontrados ao usar esses algoritmos.

• Exemplos de aprendizado não supervisionado

Neste capítulo, você compreenderá a implementação de vários algoritmos de aprendizado não supervisionado com exemplos.

Agrupamento de Dados (Clustering)

Dois estudos de caso

O agrupamento de dados é uma técnica de aprendizado não supervisionado usada para agrupar conjuntos semelhantes de pontos de dados. Este módulo do curso de ciência de dados do MIT apresentará as técnicas de agrupamento mais amplamente utilizadas, isto é, o agrupamento K-means.

• O que é agrupamento de dados?

Discutiremos a base intuitiva por trás do agrupamento de dados e por que ele é significativamente predominante em muitos setores.

• Quando usar o agrupamento de dados?

Neste capítulo, você aprenderá o procedimento para usar técnicas de agrupamento de dados.

• Preliminares do K-means

Neste capítulo, você entenderá algumas preliminares antes de iniciar o agrupamento de dados K-means.

• O algoritmo K-means

O algoritmo de agrupamento de dados K-means é um dos algoritmos de aprendizado não supervisionado mais comumente implementados para resolver problemas de agrupamento em ciência de dados ou machine learning.

• Como avaliar o agrupamento de dados?

Neste capítulo, você se familiarizará com o procedimento para avaliar o agrupamento de dados.

• Para além do K-means: o que forma um cluster (grupo de dados)?

Você aprenderá diversas técnicas de formação de clusters.

• Para além do K-means: outras noções de distância

Neste capítulo, você se familiarizará com vários outros tipos de métodos de distância de agrupamento de dados e aprenderá os casos de uso para eles.

• Para além do K-means: dados e pré-processamento

O pré-processamento de dados é uma técnica utilizada para limpar dados brutos a fim de usá-los em aplicativos de machine learning. É a etapa inicial e mais importante da implementação de um projeto de machine learning.
Neste capítulo, discutiremos por que o pré-processamento é necessário para a ciência de dados e todas as etapas envolvidas nele.

• Para além do K-means: big data e Bayes não paramétrico

Big data é utilizado para determinar conjuntos de dados grandes e complexos, que podem ser estruturados e não estruturados. Big data pode ser implementado para proteção contra fraudes, machine learning e desenvolvimento de produtos.
Um modelo Bayesiano não paramétrico refere-se a um modelo Bayesiano em um espaço de parâmetros de dimensão infinita.

• Para além do agrupamento de dados

Neste capítulo, você entenderá todos os tópicos cruciais para além do agrupamento de dados e suas aplicações.

Agrupamento Espectral de Dados (Spectral Clustering), Componentes e Embeddings

Dois casos de estudo

O agrupamento espectral de dados é uma das técnicas mais amplamente implementadas para redes e grafos de clusters. Você aprenderá sobre agrupamento espectral de dados e modularidade, além do algoritmo PCA (Principal Component Analysis [análise de componentes principais]). Neste módulo, discutiremos sobre o agrupamento espectral de dados, seus componentes e embeddings.

• E se não tivermos recursos para descrever os dados ou nem todos forem significativos?

Neste capítulo, você aprenderá como fornecer uma solução se não tiver recursos para descrever os dados ou se nem todos forem significativos.

• Encontrando os principais componentes em dados e aplicativos

A análise de componentes principais (PCA) é um método para reduzir a complexidade de um modelo de machine learning não supervisionado. Em termos simples, a análise de componentes principais é semelhante à remoção das variáveis ​​de entrada de um modelo preditivo a fim de evitar o sobreajuste (overfitting).

• A magia dos autovetores I

Neste capítulo, você compreenderá o procedimento para implementar autovetores em uma matriz.

• Agrupamento de dados em grafos e redes

Neste capítulo, você obterá uma compreensão sobre o agrupamento de dados em grafos e redes.

• Recursos dos grafos: a magia dos autovetores II

Neste capítulo, você compreenderá o procedimento para implementar autovetores em uma matriz usando vários recursos dos grafos.

• Agrupamento espectral de dados

O agrupamento espectral de dados permitirá a você reduzir conjuntos de dados multidimensionais complexos para clusters de dados idênticos em dimensões mais raras.

• Agrupamento de dados e modularidade

A medida da força da divisão de uma rede em clusters é chamada de modularidade.

• Embeddings: novos recursos e seu significado

Um embedding é um espaço de dimensão moderadamente baixa usado para traduzir vetores de alta dimensão, facilitando o aprendizado de máquina de grandes entradas.

Semana 5: Recesso da Aprendizagem com a Primeira Masterclass Prática

Semana 6: Regressão e Previsão

Nesta semana, você explorará os métodos de regressão clássicos e modernos para fins de previsão e inferência.

Regressão Linear e Não Linear Clássica e Extensões

Dois estudos de caso

Você aprenderá sobre regressão linear e não linear junto de suas extensões, incluindo o caso crucial de regressão logística para classificação binária e inferência causal, cujo objetivo é a compreensão dos efeitos da manipulação ativa de uma variável em vez de sua medição passiva.

• Regressão linear com uma e várias variáveis

Você entenderá o procedimento para implementar a regressão linear com uma e várias variáveis.

• Regressão linear para previsão

Neste capítulo, você se familiarizará com o procedimento para implementar a regressão linear visando a análise preditiva.

• Regressão linear para inferência causal

Neste capítulo, você se familiarizará com o procedimento para implementar a regressão linear visando a inferência causal.

• Logística e outros tipos de regressão não linear

A regressão logística é um algoritmo de classificação simples em machine learning que prediz as variáveis categóricas ​​dependentes usando variáveis ​​independentes.

Neste capítulo, você se familiarizará com todos os fundamentos da regressão logística e de outros tipos de regressão não linear em machine learning.

Regressão Moderna com Dados de Alta Dimensão

Um estudo de caso

Neste módulo do curso de ciência de dados para profissionais atuantes, você aprenderá sobre regressão moderna com dados de alta dimensão, ou como encontrar uma agulha em um palheiro. Para conjuntos de dados volumosos, torna-se necessário separar as variáveis relevantes para previsão das que não são. Os últimos anos testemunharam o desenvolvimento de novas técnicas estatísticas, como Lasso ou Random Forest, que são computacionalmente superiores a grandes conjuntos de dados e selecionam automaticamente os dados relevantes.

• Fazendo boas previsões com dados de alta dimensão

Neste capítulo, você aprenderá o processo para fazer boas previsões com dados de alta dimensão.

• Evitando sobreajuste (overfitting) por meio da validação e validação cruzada

O sobreajuste ocorre quando um modelo treina os dados excessivamente. Em termos simples, suponha que um modelo aprenda os detalhes e o ruído presentes nos dados de treinamento. Nesse caso, os dados de treinamento afetarão negativamente o desempenho do modelo com novos dados.
Neste capítulo, você aprenderá o processo para evitar o sobreajuste por meio de técnicas de validação e validação cruzada.

• Regularização por Lasso, Ridge e suas modificações

Você compreenderá a regularização por Lasso, Ridge e suas modificações.

• Árvores de regressão, Random Forest e árvores reforçadas

As árvores de regressão são construídas usando particionamento recursivo binário, um processo iterativo que divide os dados em partições ou ramificações e, posteriormente, divide cada porção em grupos menores à medida que o processo avança em cada ramificação.
Random Forest é um algoritmo predominante de machine learning supervisionado que constitui muitas árvores de decisão nos inúmeros subconjuntos fornecidos de um conjunto de dados. Posteriormente, calculará a média para melhorar a precisão preditiva do conjunto de dados. O boosting (aumento ou reforço) é um meta-algoritmo que transforma classificadores robustos a partir de vários classificadores “fracos” em machine learning.
O boosting pode ser distinguido em gradient boosting (aumento de gradiente) e adaptative boosting (aumento adaptativo), também chamado de ADA.

Uso da Regressão Moderna para Inferência Causal

Dois estudos de caso

Esta parte abordará a regressão e a inferência causal para explicar por que correlação não implica causalidade e como podemos superar essa limitação intrínseca da regressão recorrendo a estudos de controle randomizados ou controlando a confusão.

• Ensaios de controle randomizados

Neste capítulo, você aprenderá o processo de identificação e trabalho com ensaios controlados randomizados.

• Estudos observacionais com confusão

A confusão é um risco comum de estudos clínicos observacionais em oposição a experimentos randomizados. No entanto, pode facilmente passar despercebido, embora seu reconhecimento seja essencial para interpretar de forma significativa as relações causais, como avaliar os efeitos do tratamento.

Semana 7: Recesso da Aprendizagem com a Segunda Masterclass Prática

Semana 8: Classificação e Teste de Hipóteses

Nesta semana, você aprenderá os fundamentos da detecção e classificação de anomalias e do teste de hipóteses, que é a formalização da investigação científica. Esta delicada configuração estatística obedece a um conjunto específico de regras que será explicado e contextualizado com a classificação.

Teste de Hipóteses e Classificação

Um estudo de caso

Neste módulo do programa de certificação em ciência de dados do MIT, você aprenderá sobre o teste de hipóteses e vários algoritmos de classificação. O teste de hipóteses é uma técnica usada para conduzir experimentos usando os dados observados ou pesquisados. Como o nome indica, a classificação é uma técnica usada para classificar um conjunto de dados em diferentes categorias, podendo ser aplicada em dados estruturados e não estruturados.

• O que são anomalias? O que é fraude? O que são spams?

As anomalias ocorrem quando os bancos de dados são planejados de forma inadequada e não normalizados, armazenando todos os dados em uma tabela. Fraude, como o próprio nome sugere, refere-se a um ato fraudulento sem autorização. Spam é a comunicação digital não solicitada, como o envio de mensagens, e-mails etc., para um grande número de pessoas com fins comerciais.
Neste capítulo, você entenderá o procedimento para detectar anomalias, fraudes e filtrar spams em machine learning.

• Classificação binária: falso positivo/negativo, precisão/recall e F1 score

A classificação binária é uma técnica de machine learning supervisionado na qual as categorias são predefinidas e classificadas em novas observações probabilísticas. Quando há duas categorias, chama-se classificação binária.

• Regressão logística e Probit: classificação binária estatística

A regressão Probit é um método no qual a variável dependente assume apenas dois valores. Neste capítulo, discutiremos todos os conceitos essenciais, como regressão logística, regressão Probit e classificação binária estatística.

• Teste de hipóteses: Teste da Razão e valores-p de Neyman-Pearson: confiança

Você obterá uma compreensão de todos os conceitos críticos do teste de hipóteses.

• Máquina de vetores de suporte: classificador não estatístico

A máquina de vetores de suporte (SVM: support vector machine) é outro algoritmo de machine learning popular, usado para problemas de regressão e classificação.

• Perceptron: classificador simples com interpretação elegante

Um perceptron é um neurônio artificial, ou simplesmente um modelo matemático de um neurônio biológico. Neste capítulo, você se familiarizará com o perceptron e seus vários conceitos.

Semana 9: Recesso da Aprendizagem com a Terceira Masterclass Prática

Semana 10: Deep Learning

Deep learning surgiu como uma força motriz na atual revolução tecnológica. A essência do deep learning reside na sua capacidade de imitar o cérebro humano no processamento de dados para diversos fins, também sem supervisão humana. As redes neurais estão no centro dessa tecnologia. Nesta semana, você será conduzido para além do machine learning tradicional, entrando no reino das redes neurais e do deep learning. Você aprenderá como o deep learning pode ser aplicado com sucesso a áreas como visão computacional e muito mais.

Deep Learning

Um estudo de caso

Os alunos compreenderão todos os conceitos críticos de deep learning, como classificação de imagem, propagação reversa (backpropagation), aprendizado por transferência (transfer learning), PLN, reconhecimento de fala e muito mais.

• O que é classificação de imagem? Introdução ao ImageNet com exemplos

A classificação de imagens é um conceito fundamental de deep learning. Com ela, é possível identificar objetos em uma imagem treinando um modelo por meio da experimentação com imagens rotuladas.
Neste capítulo, você aprenderá o processo de identificação de objetos em uma imagem e será introduzido ao ImageNet, com vários exemplos.

• Classificação usando um único limite linear (perceptron)

Você aprenderá o processo de implementação de técnicas de classificação usando um único limite linear (perceptron).

• Representações hierárquicas

Você aprenderá o processo de representação de modelos de deep learning em uma estrutura hierárquica.

• Ajuste de parâmetros usando propagação reversa (backpropagation)

Neste capítulo, você aprenderá como encontrar coeficientes (parâmetros) para um ou mais modelos visando ajustar os dados.

• Funções não convexas

Neste capítulo, você se familiarizará com as funções de otimização não convexas em deep learning.

• Quão interpretáveis ​​são seus recursos?

Você compreenderá como os recursos podem ser interpretados.

• Manipulação de redes profundas (exemplo do avestruz)

Você compreenderá o processo de manipulação de redes neurais profundas usando o exemplo do avestruz.

• Aprendizado por transferência (transfer learning)

O aprendizado por transferência é uma abordagem de deep learning amplamente implementada. É um modelo desenvolvido para uma aplicação que pode ser reutilizado como ponto de partida por um modelo em uma segunda aplicação.

• Outras aplicações I: reconhecimento de fala

O reconhecimento de fala é uma técnica usada para transformar a fala humana em texto escrito por meio do reconhecimento da voz de um indivíduo.

• Outras aplicações II: processamento de linguagem natural (PLN)

O processamento de linguagem natural (PLN) é uma técnica que visa a aplicação da linguística computacional para a criação de aplicações reais, trabalhando com linguagens que abrangem diversas estruturas. Com essa técnica, tentamos ensinar um computador a aprender linguagens e, posteriormente, esperamos que ele as analise e compreenda usando algoritmos adequados e eficientes.

Semana 11: Sistemas de Recomendação

À medida que as organizações se inclinam cada vez mais para abordagens orientadas por dados, a compreensão dos sistemas de recomendação pode ajudar não apenas especialistas em ciência de dados, mas também profissionais de outras áreas, como marketing, que hoje espera-se que também tenham conhecimento de dados. Abrangendo modelagem estatística e algoritmos, você aprenderá por que os sistemas de recomendação agora são onipresentes e alguns insights sobre o que é necessário para criar um sistema de recomendação adequado.

Recomendações e Classificação

Um estudo de caso

De maneira simplificada, os algoritmos de sistemas de recomendação sugerem itens relevantes para os usuários, o que explica sua tendência de uso em diversos setores e seu papel central na geração de receita.

• O que faz um sistema de recomendação?

Como o nome sugere, os sistemas de recomendação ajudam a prever a preferência futura de qualquer produto e recomendar os itens mais adequados para os usuários.
Neste capítulo, você compreenderá o procedimento para a utilização de um sistema de recomendação visando selecionar os melhores produtos para os usuários.

• Então, o que é o problema de previsão da recomendação e que dados temos?

A técnica na qual o sistema prevê se um indivíduo ou empresa gosta de um produto (problema de classificação) ou suas avaliações e classificações (problema de regressão) é conhecida como problema de previsão da recomendação.

• Uso de médias populacionais

Você compreenderá o procedimento para usar médias populacionais.

• Uso de comparações e classificações populacionais

Você compreenderá o procedimento para usar comparações e classificações populacionais.

Filtragem Colaborativa

Um estudo de caso

A filtragem colaborativa é um aspecto dos sistemas de recomendação com o qual interagimos com bastante frequência. Ao coletar dados sobre as preferências de vários usuários, a filtragem colaborativa faz previsões sobre as escolhas de um determinado usuário.

• Personalização por meio da filtragem colaborativa usando usuários semelhantes

Você compreenderá o procedimento para usar a filtragem colaborativa com a ajuda de usuários semelhantes.

• Personalização por meio da filtragem colaborativa usando itens semelhantes

Você compreenderá o procedimento para usar a filtragem colaborativa com a ajuda de itens semelhantes.

• Personalização por meio da filtragem colaborativa usando usuários e itens semelhantes

Você compreenderá o procedimento para usar a filtragem colaborativa com a ajuda de usuários e itens semelhantes.

Recomendações Personalizadas

Um estudo de caso

Como o próprio nome sugere, as recomendações personalizadas funcionam filtrando as recomendações que são particularmente relevantes para um usuário com base em suas tendências de navegação etc.

• Personalização por meio de comparações, classificações e itens do usuário

Você aprenderá como utilizar recomendações personalizadas com a ajuda de comparações, classificações e itens do usuário.

• Modelo oculto de Markov/redes neurais, grafo bipartido e modelo gráfico

O modelo oculto de Markov (HMM) é um modelo estatístico de Markov no qual o sistema que está sendo modelado é considerado um processo de Markov com estados ocultos/não observados.

• Usando informações secundárias

Neste capítulo, você se familiarizará com o procedimento de uso de informações secundárias com o auxílio do Meta-Prod2Vec.

• Construindo um sistema: desafios algorítmicos e de sistema

Neste capítulo, você se familiarizará com o procedimento de criação de um sistema considerando desafios algorítmicos e de sistema.

Semana 12: Redes e Modelos Gráficos

Nesta semana, você obterá uma visão geral sistemática dos métodos para analisar grandes redes, determinar estruturas importantes nas mesmas e inferir dados ausentes nas redes. Uma ênfase será colocada nos modelos gráficos, tanto como uma maneira poderosa de modelar processos de rede quanto para facilitar computações estatísticas eficientes.

Introdução

Neste módulo do curso de ciência de dados do MIT, você aprenderá o que são redes e como podemos representá-las com seus casos de uso práticos que nos cercam.

• Introdução às redes

Uma rede pode ser definida como um grupo de dois ou mais sistemas de computadores conectados por vários componentes de hardware, como hubs, switches e outros.

• Exemplos de redes

Neste capítulo, você compreenderá todos os exemplos de redes.

• Representação de redes

Neste capítulo, você se familiarizará com o procedimento para representar redes.

Redes

Um caso de estudo

Neste módulo do curso on-line de ciência de dados do MIT, você aprenderá sobre medidas descritivas padrão de uma rede, como centralidade, proximidade e intermediação, e modelos estocásticos padrão para redes, como Erdos-Renyi, conexão preferencial, modelos de infecção, noções de influência etc.

• Medidas de centralidade: grau, autovetor e ranqueamento de página (Page Rank)

Neste capítulo, você se familiarizará com o procedimento para implementar medidas de centralidade, como grau, autovetor e ranqueamento de página (Page Rank).

• Centralidade de proximidade e intermediação

Você obterá uma compreensão sobre centralidade de proximidade e de intermediação.

• Distribuição de grau, agrupamento (clustering) e pequeno mundo

Você obterá uma compreensão sobre distribuição de graus, agrupamento (clustering) e pequeno mundo.

• Modelos de rede: Erdos-Renyi, modelo de configuração e conexão preferencial

O modelo Erdos-Renyi ajuda a criar redes ou grafos aleatórios em redes sociais. O modelo de configuração é uma técnica para gerar redes aleatórias a partir de uma determinada sequência de graus. A conexão preferencial é um método no qual novos membros da rede tentam estabelecer uma conexão com membros existentes mais frequentes.

• Modelos estocásticos em redes para propagação de vírus ou ideias

Você obterá uma compreensão dos modelos estocásticos em redes para a propagação de vírus ou ideias.

• Maximização da influência

O problema de identificação de um pequeno subconjunto de nodos (seed [semente]) em uma rede social, que pode maximizar a propagação da influência, é chamado de maximização da influência.

Modelos Gráficos

Um estudo de caso

Você aprenderá a usar modelos gráficos para estimar e exibir uma rede de interações.

• Modelos de grafos não dirigidos

Neste capítulo, você aprenderá sobre modelos de grafos não dirigidos.

• Modelos de Ising e Gaussiano

O modelo de Ising especifica a distribuição de probabilidade conjunta de um vetor para entender as transições de fase. Um modelo Gaussiano é uma distribuição normal bidimensional da concentração nos eixos das duas dimensões a partir de um ponto inicial.

• Aprendendo modelos gráficos a partir de dados

Você obterá uma compreensão sobre vários modelos gráficos de dados.

• Modelos de grafos dirigidos

Um modelo de grafo dirigido refere-se à probabilidade de variáveis ​​aleatórias em um produto de probabilidades condicionais, disponível para cada nodo no grafo.

• Estruturas em V, princípio 'explaining away' e modelos de grafos dirigidos ao aprendizado

Você compreenderá mais sobre os modelos de grafos dirigidos, estruturas em V e o princípio 'explaining away'.

• Inferência em modelos gráficos: marginais e troca de mensagens

Neste capítulo, você aprenderá sobre inferência em modelos gráficos, como marginais e troca de mensagens.

• Modelo oculto de Markov (HMM)

Neste capítulo, aprimoraremos seu conhecimento prévio sobre o modelo oculto de Markov (HMM).

• Filtro de Kalman

O algoritmo do filtro de Kalman é usado para fornecer estimativas de algumas variáveis ​​desconhecidas, dado que as medições são observadas durante um determinado período.

Módulos de Aprendizagem em Ritmo Próprio

Módulo 1: Desmistificando o ChatGPT e Aplicações

O módulo aborda:

• Visão geral sobre ChatGPT e OpenAI.
• Linha do tempo da PLN e IA generativa.
• Frameworks para a compreensão do ChatGPT e da IA generativa.
• Implicações para o trabalho, os negócios e a educação.
• Modalidades e limitações de saída.
• Funções no mundo dos negócios para usufruir do ChatGPT.
• Uso de prompt engineering para resultados com ajustes finos.
• Demonstração prática e seção bônus sobre reforço de aprendizado via feedback humano (RLHF).

Módulo 2: ChatGPT, o Stack de Desenvolvimento

O módulo aborda:

• Fundamentos matemáticos para a IA generativa.
• Autocodificadores variacionais (VAEs): primeiras redes neurais generativas.
• Redes adversárias generativas (GANs): geração de imagens fotorrealistas.
• GANs condicionais e difusão estável: controle e melhoria da geração de imagens.
• Modelos Transformer: IA generativa para linguagem natural.
• ChatGPT: IA generativa conversacional.
• Criação prática de protótipo do ChatGPT.
• Próximos passos para a continuidade do aprendizado e compreensão do assunto.

Certificado de Conclusão do MIT IDSS

Após a conclusão bem-sucedida do programa, você receberá um dos melhores certificados profissionais em ciência de dados, uma vez que será fornecido pelo MIT Institute for Data, Systems, and Society (IDSS).