Inteligência Artificial: Sistemas de Recomendação em Python
4.7 (77 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
443 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Inteligência Artificial: Sistemas de Recomendação em Python to your Wishlist.

Add to Wishlist

Inteligência Artificial: Sistemas de Recomendação em Python

Construa um algoritmo para recomendação de filmes parecido com a Netflix! Entre para uma das áreas mais quentes de TI!
4.7 (77 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
443 students enrolled
Created by Jones Granatyr
Last updated 8/2017
Portuguese
Curiosity Sale
Current price: $10 Original price: $30 Discount: 67% off
30-Day Money-Back Guarantee
Includes:
  • 4.5 hours on-demand video
  • 2 Articles
  • 22 Supplemental Resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I Learn?
  • Entenda os conceitos de sistemas de recomendação
  • Aprenda passo a passo como funciona a técnica de filtragem colaborativa, que é semelhante ao algoritmo da Netflix
  • Desenvolva seus próprios sistemas de recomendação utilizando técnicas de Inteligência Artificial
  • Entenda a oportunidade de negócio que a área de Inteligência Artificial pode trazer
View Curriculum
Requirements
  • É recomendado conhecimentos básicos sobre lógica de programação, embora não seja um pré-requisito
  • Não são necessários conhecimentos prévios sobre a linguagem Python
Description

Os sistemas de recomendação são uma importante área da Inteligência Artificial e já tem sido utilizados comercialmente por diversas empresas. Por exemplo, algoritmos desse tipo estão rodando quando você assiste um filme na Netflix, quando você recebe a indicação de um novo livro na Amazon ou então quando você está no Spotify e aparece "do nada" justamente aquela música que você estava procurando! E não para por aí! Você não acha uma coincidência receber um pacote promocional com desconto de produtos que você tem interesse? Você já parou para pensar que sempre que você está terminando um vídeo no Youtube, já começa a rodar um outro exatamente do estilo que você queria? Pois é, e em todos esses casos existem algoritmos inteligentes rodando e fazendo as recomendações automáticas sem mesmo você perceber!

E sabe o que é o melhor? Neste curso você terá uma visão teórica e prática de como esses algoritmos funcionam! Você desenvolverá passo a passo um algoritmo que utiliza a técnica de filtragem colaborativa aplicado em um cenário de recomendação de filmes. Em outras palavras: utilizando uma base de dados de usuários e notas que esses usuários deram para os filmes, nós poderemos gerar recomendações muito semelhantes ao algoritmo que a Netflix utiliza! Outra vantagem é que o mesmo código fonte pode ser utilizado para os mais variados cenários com pouquíssimas adaptações, ou seja, você pode utilizar o conhecimento deste curso para criar os seus próprios sistemas! Além disso, também faremos o teste com uma base de dados real do MovieLens (mais de 100.000 registros), que é um site especializado em avaliação e recomendação de filmes!

Utilizaremos a linguagem Python para a construção das funções de recomendação passo a passo, que é uma linguagem de programação que está crescendo muito no cenário da Inteligência Artificial! E não há problema se você não conhece Python, pois os conceitos serão apresentados de forma que se você tem uma noção básica de lógica de programação conseguirá acompanhar as aulas tranquilamente. É também importante enfatizar que se você trabalha com alguma outra linguagem de programação, o código visto neste curso pode ser facilmente adaptado!

Sobre Inteligência Artificial

Você sabia que a Inteligência Artificial (IA) é uma das área de TI que mais está crescendo e se expandindo no mundo? E que o conhecimento dessa área pode também abrir novas oportunidades de negócio? Veja só alguns fatos que foram noticiados recentemente pela mídia: a Apple reforçando os investimento em IA, a Microsoft criando uma unidade de pesquisa especializada em IA, o Uber e o Twitter comprando startups de IA, a Samsung adquirindo uma plataforma de IA, a Toyota, o Facebook, a IBM e o Google investindo muito dinheiro em pesquisas nessa área! Isso sem falar que no Vale do Silício profissionais com esses conhecimentos estão em alta e que a Acer já previu que 2017 será definitivamente o ano da Inteligência Artificial!

A tendência é que o campo de trabalho de IA se desenvolva cada vez mais e é praticamente certo que haverá um aquecimento muito grande no mercado, fazendo com que as empresas busquem profissionais qualificados para atuarem em projetos dessa área! Não tem mais como ficar de fora!

Todo o curso é 100% em vídeo aulas, tem direito a certificado e acesso vitalício!

O professor Jones Granatyr é fundador do portal IA Expert, que é um site com conteúdo exclusivo e atualizado sobre IA. Ele também leciona para os cursos de graduação em Ciência da Computação e Sistemas de Informação há mais de 10 anos e é doutorando e mestre na área de Inteligência Artificial pela Pontifícia Universidade Católica do Paraná (PUCPR).

Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! :)

Who is the target audience?
  • Desenvolvedores de software
  • Pessoas interessadas em Inteligência Artificial
  • Pessoas que querem iniciar uma nova carreira em Inteligência Artificial
Students Who Viewed This Course Also Viewed
Curriculum For This Course
40 Lectures
04:31:41
+
Iniciar aqui
1 Lecture 06:29

Nesta aula eu apresento uma visão geral de todo o conteúdo que você vai aprender durante o curso

Preview 06:29
+
Sistemas de recomendação
5 Lectures 32:37

Este é o primeiro módulo do curso e neste vídeo eu vou mostrar uma visão geral sobre todo o conteúdo que você aprenderá neste módulo

Preview 01:30

Nesta aula você terá uma introdução aos sistemas de recomendação, sendo citados vários exemplos práticos de como empresas como Netflix, Amazon e Last.fm fazem uso dessa tecnologia

Preview 11:25

Nesta aula você terá uma introdução à alguns tipos de sistemas de recomendação, tais como recuperação direta da informação, filtragem por conteúdo e filtragem colaborativa. O foco principal das explicações é na
filtragem colaborativa, que é a técnica utilizada para o desenvolvimento dos exemplos

Tipos de sistemas de recomendação
12:32

Neste aula eu mostro mais alguns detalhes sobre a base de dados de filmes, que será utilizada no desenvolvimento do sistema de recomendação em Python

Base de dados de filmes
03:52

Nesta aula você verá outros formatos de valores para a construção de bases de dados para sistemas de recomendação
Bases de dados para sistemas de recomendação
03:18
+
Base de dados no Python
4 Lectures 17:19

Este é o segundo módulo do curso e neste vídeo eu vou mostrar uma visão geral sobre todo o seu conteúdo

Introdução ao módulo
01:05

Nesta aula em mostro como fazer o download e a instalação do Python

Download e instalação do Python
03:50

Neste vídeo você aprenderá como representar a base de dados dos filmes para utilizarmos no Python

Base de dados de filmes no Python
07:29

Nesta aula você aprenderá como acessar os valores cadastrados na base de dados com o Python

Testando a base de dados
04:55
+
Busca por usuários similares
7 Lectures 44:22

Neste vídeo você verá todo o conteúdo que será abordado neste módulo, que tem como destaque a busca por usuários similares

Introdução ao módulo
01:21

Nesta aula você verá como interpretar o gráfico de dispersão de usuários e filmes para medir a similaridade entre dois usuários

Gráfico de dispersão dos usuários e filmes
06:24

Nesta aula você aprenderá como calcular a distância euclidiana entre dois usuários, com o intuito de verificar a similaridade entre ambos

Distância euclidiana
10:15

Veja nesta aula como calcular a distância euclidiana com o Python

Distância euclidiana no Python
09:33

Nesta aula você implementará a função para o cálculo da distância euclidiana

Função para distância euclidiana no Python
08:15

Veja nesta aula como realizar os testes com a função de distância euclidiana implementada anteriormente

Testando a função de distância euclidiana
02:42

Nesta aula você implementará uma função para retornar a similaridade de um usuário específico com todos os outros

Preview 05:52
+
Recomendação de filmes com filtragem baseada em usuários
12 Lectures 01:44:54

Neste vídeo eu mostro uma visão geral sobre todo o conteúdo que você aprenderá neste módulo

Introdução ao módulo
01:34

Nesta aula você aprenderá passo a passo como fazer os cálculos para gerar recomendações de filmes para os usuários
Preview 08:27

Nesta aula você aprenderá passo a passo como fazer os cálculos para gerar recomendações de filmes para os usuários

Como fazer recomendações II
08:04

Nesta aula você aprenderá passo a passo como fazer os cálculos para gerar recomendações de filmes para os usuários

Como fazer recomendações III
11:38

Nesta aula faremos a implementação passo a passo da função para recomendação de filmes
Função para recomendação no Python
14:32

Nesta aula faremos o teste da função de recomendação que foi implementada no Python

Testando as recomendações
04:39

Nesta aula entenderemos como poderemos calcular os filmes similares ao invés de usuários similares

Filmes similares I
05:31

Nesta aula faremos a modificação da base de dados para trabalhar com os filmes similares

Filmes similares II
07:49

Nesta aula veremos como melhorar o código fonte apresentado até agora

Melhorando o código fonte
07:41

Nesta aula você entenderá a estrutura da base de dados do MovieLens, que será o nosso próximo estudo de caso prático

Base de dados do MovieLens
10:50

Nesta aula implementaremos a função que fará a leitura da base de dados do MovieLens e carregará os dados para nosso sistema de recomendação

Carregando os dados do MovieLens
16:00

Nesta aula utilizaremos as funções criadas anteriormente aplicadas na base de dados do MovieLens

Recomendação com MovieLens
08:09
+
Recomendação de filmes com filtragem baseada em itens
8 Lectures 58:30

Neste vídeo eu mostro uma visão geral do conteúdo que será abordado neste módulo

Introdução
01:16

Neste aula veremos uma introdução à filtragem baseada em itens, bem como algumas discussões sobre as desvantagens da abordagem vista no módulo anterior

Filtragem baseada em itens
11:22

Nesta aula veremos os cálculos necessários para realizar a recomendação por itens

Como fazer recomendações - itens
12:28

Nesta aula implementaremos uma função para armazenar em memória os itens similares, que é um pré-requisito para a recomendação baseada em itens

Função para armazenar os itens similares
09:48

Nesta aula implementaremos a função para realizar a recomendação baseada em itens

Função para recomendação por item
11:01

Nesta aula testaremos a função para recomendação baseada em itens

Testando as recomendações
06:39

Nesta aula teremos um resumo e comparativo entre as duas abordagens de recomendação: baseada em usuários e baseada em itens

Filtragem baseada em usuários x itens
05:51

Código fonte
00:05
+
Considerações finais
3 Lectures 07:30

Nesta aula eu reviso todo o conteúdo abordado no curso para concluir o curso

Conclusão
02:52

Neste vídeo eu mostro o meu portal para você que deseja aprender mais sobre Inteligência Artificial

Saber mais sobre Inteligência Artificial
04:35

Cupons de desconto
00:03
About the Instructor
Jones Granatyr
4.7 Average rating
388 Reviews
2,260 Students
8 Courses
Professor

JonesGranatyr é professor, pesquisador e fundador do portal IA Expert. É doutorando (bolsista CAPES) e mestre (bolsista CNPq) em Ciência da Computação com ênfase em Inteligência Artificial, já tendo trabalhado há mais de 08 anos nesta área. No mestrado trabalhou dentro do contexto do projeto PAI-L (Piloto Automático Inteligente para Locomotivas) financiado pela FINEP, o qual teve como objetivo o desenvolvimento de um software inteligente para condução de locomotivas de carga. Possui especialização em Segurança em Redes de Computadores e Banco de Dados Distribuídos e graduação em Sistemas de Informação. Trabalha em projetos de pesquisa relacionados a área Inteligência Artificial, tais como Sistemas Especialistas, Mineração de Dados, Mineração de Textos, Sistemas Multiagente, Aprendizagem de Máquina e Computação Afetiva. Entre os anos de 2011 e 2012 foi bolsista de produtividade nível B1 do CNPq, trabalhando com Raciocínio Baseado em Casos no software JUSTINIA (Justiça Inteligente Apoiada em Inteligência Artificial). É membro do grupo de pesquisa de Agentes de Software da Pontifícia Universidade Católica do Paraná e assistente de pesquisa no GAIPS (Intelligent Agents and Synthetic Characters Group) da Universidade de Lisboa/Portugal. Seu principal objetivo é ajudar profissionais de TI a entenderem como a Inteligência Artificial pode ser aplicada em âmbito comercial, para que esses profissionais possam visualizar novas oportunidades de negócios.