Sobre o projeto

Este repositório é uma coleção abrangente de exemplos de código e tutoriais de machine learning e deep learning, mantido pelo autor de deeplearningcourses.com. Ele serve como o código-base de apoio para uma ampla gama de cursos online, abrangendo desde estatísticas fundamentais até tópicos avançados de IA. O repositório é organizado por curso, com cada curso ocupando sua própria pasta. Os usuários são orientados a assistir à palestra 'Onde obter o código' (geralmente a palestra 2 ou 3) dentro de cada curso para identificar a pasta correspondente. O autor recomenda clonar em vez de fazer um fork do repositório para se manter atualizado com as frequentes atualizações dos cursos. Os tópicos abordados nos cursos associados incluem: - **Matemática Fundamental**: Álgebra linear, probabilidade, cálculo e cálculo matricial para ciência de dados e machine learning. - **Machine Learning Clássico**: Regressão linear, regressão logística, naive Bayes, máquinas de vetores de suporte, florestas aleatórias, AdaBoost, análise de agrupamento e aprendizado não supervisionado com modelos ocultos de Markov. - **Deep Learning**: Redes neurais, redes neurais convolucionais (CNNs), redes neurais recorrentes (RNNs), GANs, autoencoders variacionais e visão computacional avançada. - **Processamento de Linguagem Natural**: PLN com deep learning, transformers e técnicas avançadas de PLN. - **Aprendizado por Reforço**: Aprendizado por reforço profundo em PyTorch e Python. - **IA Generativa**: ChatGPT e LLMs da OpenAI em Python, IA generativa para visão computacional e deepfakes/clonagem de voz. - **Métodos Bayesianos**: Regressão linear bayesiana, classificação bayesiana e machine learning bayesiano com testes A/B. - **IA Financeira**: Engenharia financeira e IA em Python, incluindo um bot de negociação de pares com ChatGPT. - **Séries Temporais**: Análise de séries temporais, previsão e machine learning. - **Sistemas de Recomendação**: Sistemas de recomendação e deep learning em Python. - **Pré-requisitos**: A pilha NumPy em Python, regressão linear e regressão logística como pré-requisitos para deep learning. A partir dos cursos de TensorFlow 2.0, exemplos de código mais recentes foram movidos para notebooks do Google Colab, com links fornecidos dentro dos respectivos cursos. O repositório também vincula a cursos VIP e exclusivos que cobrem tópicos especializados, como inferência estatística, programação linear para regressão linear e MATLAB para profissionais de STEM. O repositório é destinado a estudantes e profissionais que buscam exemplos de código práticos para complementar o aprendizado online estruturado. Não é uma biblioteca ou framework independente, mas sim um recurso educacional que se combina com palestras em vídeo e materiais de curso disponíveis em deeplearningcourses.com e lazyprogrammer.me.