Inteligência artificial (IA) e aprendizado de máquina para iniciantes absolutos 2023

1. Introdução ao curso: Olá a todos. Bem-vindo a este curso sobre inteligência artificial para o iniciante absoluto. E parabéns por dar esse passo em investir em suas habilidades. Agora, no que diz respeito às habilidades, você realmente não pode dar errado com a inteligência artificial, que é uma das tecnologias mais interessantes dos últimos tempos. Quero dizer, na medida em que foi chamada de Quarta Revolução Industrial. Então eu fiz este curso, como sei, Ea no aprendizado de máquina pode ser tópico muito intimidante para aprender para a pessoa comum. Quero dizer, parece muito técnico. Mesmo que você seja um profissional de TI, parece muito técnico. Talvez você seja um gerente de TI ou um cara nu. Eu gosto de um especialista em segurança cibernética ou talvez você não esteja em TI e tudo. Você não é uma ideia, você é apenas um cara de negócios, mas você viu o potencial transformador da inteligência artificial. E você quer entender o AA, mas você não sabe por onde começar, certo? Bem, então este curso é para você. Vamos desmistificar o que é o aprendizado de máquina EIA. E o objetivo deste curso é desmistificar o EIA e torná-lo acessível para todos e remover a complexidade que parece estar acontecendo neste tópico. Então, sobre mim, apenas uma visão geral rápida sobre mim pessoal. Essa pessoa bonita sou eu. Meu nome é Dan mal-humorado. Eu estive em TI nos últimos 100 anos ou mais e em duas décadas. Então eu tenho vários prêmios. Meu campo, eu era simplesmente um que fez o estilo global do Reino Unido em visto. Então estou atualmente residindo em Londres, trabalhando para mim publicações budistas, você sabe, como um isóchore da CA Magazine. E ganhei muitos prêmios no campo. Só estou dizendo isso para que você saiba que está em boas mãos com o discurso. Atualmente, estou trabalhando em segurança na nuvem e inteligência artificial agora. E o que eu realmente gosto de fazer é pegar tópicos complexos e o códon para que as pessoas possam entendê-lo e aplicá-lo. Então, o objetivo deste slide é mostrar que eu sei do que estou falando. E eu, eu tenho alguma experiência para que você esteja em boas mãos. Então, sobre o discurso. Então, sobre o que é esse curso? O ponto inteiro disso? Se você tem esse sentimento de que talvez eu tenha cometido um grande erro ao fazer este curso. Espero que você mude de ideia e faça você entender. Então, vou tirar todas as preocupações persistentes que você ainda possa ter sobre o discurso. Então este curso é para quem você quer aprender, IA, inteligência artificial, aprendizado de máquina, mas você não sabe como fazer isso, certo? Tudo parece estar muito avançado para complexo. Você não sabe programação, você não sabe codificação, acha muito chato e não está interessado nisso, certo? Você não tem resposta, concorda e matemática ou gosta de Python e todas as outras coisas que você vê. Mas parece ser apenas um, modo que o discurso é como para você se você realmente tiver essas preocupações, certo? Então, o que você vai fazer neste curso, você vai entender o que a inteligência artificial e o aprendizado de máquina são do zero para assumir que ele tem conhecimento zero sobre isso. Você vai criar seu próprio modelo de aprendizado de máquina porque eu não sou um grande fã da morte pelo PowerPoint. Eu não entendo sobre isso. Portanto, seu projeto será criar seu próprio modelo de aprendizado de máquina do zero sem escrever uma linha de código. Essa é minha promessa para você. Você vai implantar o Ubuntu Services, ai com base em inteligência artificial. E você simplesmente não fez, não fez conexão e vontade de aprender. Eu pessoal, eu sei que isso parece bom demais para ser verdade, mas vamos ver como isso acontece. Então, apenas uma breve janela, robô elétrico eu. Eu faço. Estou disponível no meu canal do YouTube e no Facebook e no meu blog. Então, se você quiser entrar em contato e se conectar comigo, por favor, faça isso. E esse é aquele cara. Então, agradeço muito. Espero que você tenha gostado deste curso tanto quanto eu gostei de fazê-lo e vê-lo na próxima lição. Obrigado. 2. Visão geral da AI: Olá a todos. Bem-vindo a esta seção que está entendendo a inteligência artificial, uma breve visão geral da evolução. Então, o objetivo desta seção, pessoal, é dar a vocês um contexto sobre EIA, sobre o que é EI e o que não é. E, basicamente, como chegamos a esse ponto no tempo do desenvolvimento da IA. Agora, você pode não acreditar, mas a EIA existe há várias décadas até a década de 1950. Então, tendo isso em mente, por que você acha que só agora estamos vendo tanto hiperbólico o conceito de va, por tudo. Então eu mencionei que são apenas tantos produtos diferentes de IA. E isso é o que mudou nos últimos tempos. Faça o EIA de repente classificar relevante? E em todos os lugares que você vai ver, você está vendo todos os dias, você está vendo todos os tipos de postagens de emprego, suas costuras, todos os tipos de empresas correndo para adotar IA e aprendizado de máquina nesses produtos com frequência. Então, o que são os alunos que simplesmente fazem uma espécie de diferente hoje em dia? Esse é o ponto principal desta seção. Então, antes de tudo, vamos começar. Primeiro de tudo, o que são os caras da IA? Quero dizer, o que as pessoas pensam do dinheiro? Como mencionado, se você parou um cara comum na rua e você perguntar a ele jogo, e o que você acha? O que é inteligência artificial? O que você acha que esse cara vai pensar? Então, vamos dar uma olhada. Então, antes de tudo, sim, muitas vezes as coisas que se transformam, falamos sobre átomos. Sabemos que eles podem se tornar na cultura pop, você sabe, filmes, livros, mas Helion, você faz bem o que vê na TV. Assim como o membro médio e inteligência artificial significa que as máquinas assumem o controle. Ótimo, como no filme Terminator 2. Quero dizer, se você se lembra, é um dos meus filmes favoritos da minha infância, basicamente um copo de máquina recíproca médica Skynet. Torna-se taxa autoconsciente e é preciso que ele tente exterminar todos os seres humanos. E diz que cria essas máquinas chamadas terminadores para exterminar a humanidade. Então, isso é como o que ele chama de muita gente acha que é isso que a IA é. Ímpar. Se você quiser ir algo mais recente como o show chamado Westworld. O que acontece lá em que os humanos criam esses robôs realistas eram basicamente escravos. E esses robôs lentamente, lentamente, eles começam a acordar e perceber que suas mangas e eles começam a lutar de volta. Se você é como eu, você pode ter um multicolorido 2000 e uma Odisseia Espacial. É como uma obra-prima de Stanley Kubrick. E nisso há um Hal crítico que basicamente começa a se tornar malicioso e começa a não obedecer às ordens dos humanos. Aquele, é um filme muito, muito famoso. Então, a razão pela qual eu peguei esses três filmes, e todos eles são de dois períodos de tempo diferentes. O que é do 90 é um e, desde os últimos tempos, quando é da década de 1970, era 16, eu acredito. Então pessoal, qual é o ponto? A questão é mostrar que a inteligência artificial sempre fascinou as pessoas. É sempre fascinado que as pessoas ficaram fascinadas por isso desde todos os períodos de tempo que o conceito de uma máquina pensante que é algo que é muito, muito privilegiado para a nossa cultura pop. Então, mas, e então você fala sobre EIA. Principalmente as pessoas pensam que enquanto humanos tomam as máquinas, assumindo o controle dos humanos, o que é uma conversa assustadora, eu concordo. O conceito de máquinas assumindo lentamente, as coisas que os humanos fazem. É um pensamento assustador, mas isso não é realmente um é. Então, vamos voltar ao início. Quem cunhou esse termo IA? Qual é aquele que cunhou esse termo? Assim, o pai dos arcos de movimento é mais do que inteligência artificial é geralmente as pessoas se referem a John McCarthy, que cunhou o termo em 1956. E ele se referiu como, como ciência e engenharia de fazer máquinas inteligentes. E isso é que eu queria me concentrar na última parte, máquinas inteligentes e o que você acha que uma maquinaria indonésia caras? Quero dizer, se você voltar várias décadas, pessoas com calculadoras tadas e máquina inteligente. E eles estavam falando sobre algo como mágica que você está colocando. Está calculando o fazer todo esse cálculo por si só. Não sabemos que esse não é o caso. Ardósia. Calculei da mesma forma que as instruções codificadas dos programas começam a ser citadas. Ele espera uma entrada específica e fornece uma saída específica. Não há muita camada de inteligência. Então, quando mantemos, tendo isso em mente, agora o que é EIA? O Eia está misturando a ciência dos computadores produzindo resultados, mas delta sendo programado para isso, você não programá-lo explicitamente. Programe o sistema do computador para fazer qualquer coisa. Em vez disso, o que ele faz é ter esses algoritmos inteligentes pelos quais ele lentamente começa a aprender sozinho. E então o que acontece é que ele pode realmente reconhecer a fala. Ele pode reconhecer rostos, reconhecer imagens, pode fazer previsões, pode tomar decisões inteligentes e imitar o julgamento humano um alto grau de precisão. É basicamente a isso que nos referimos quando dizemos inteligência artificial. Então, espero que você não consiga entender a diferença entre seus programas normais, que são basicamente limitados por seus programas e que orientam suas vidas, o que foi feito um inteligência artificial AI. O que você faz é não programar explicitamente para fazer nada. Você daria a ele um conjunto específico de entradas. E então você deixa que ele aprenda sozinho como ele faz isso. Você verá mais tarde. Mas espero que você entenda agora quais as diferenças agora tem uma história muito literal que remonta, como eu disse que 77 décadas. E eu coloquei na seção de recursos. Eu não quero que você o aborreça, dando-lhe específico, dando-lhe datas específicas e tudo mais. Então você pode tomar um pouco sozinho, é muito, muito interessante. Ele mostra os marcos do Fed que aconteceram. Então, espero que vocês entendam caras, do que estamos falando e vamos agora passar para a próxima seção. 3. O impacto da AI: Oi pessoal. Bem-vindo a esta seção. Então, agora que entendemos o que é IA e o que, como ela surgiu, qual era sua história básica. Vamos entrar em detalhes sobre o quão grande é o EIA. Da mesma forma, é tão importante porque é muito importante que vocês entendam o EIS, não apenas uma moda. Não é como uma tendência que vai unir algo que poderia ser muito popular e simplesmente desaparecer. Não. A Ai transformará quase todos os aspectos de uma vida pessoal e profissional. E eu não digo isso de ânimo leve. Não estou apenas sendo excessivamente dramático. Vou te mostrar o porquê. Por que é tão importante entender completamente. Deixe-me mostrar alguns contextos. Então, até agora, na história da humanidade, tivemos nossas próprias, eu diria, três grandes revoluções industriais. E por revolução industrial, o que queremos dizer é perna, algo que surgiu o que qualquer que seja a enorme mudança e o nível social o suficiente fez negócios, empregos, como as cidades eram, como as pessoas trabalham , como a economia estava dirigindo. Então, vamos dar uma olhada no primeiro , a revolução industrial. Agora, em ação industrial, agora acredite ou não, houve um tempo em que as pessoas costumavam trabalhar principalmente em fazendas. E sua renda foi baseada em quanto trabalho você colocou, quanto fígado manual você colocou nele foi baseado nisso e você não sabe, você pode ter alguma ajuda em animais com seu trabalho, mas isso foi bonito muito como era. Os agricultores eram a principal fonte de renda e como as pessoas costumavam trabalhar. O que aconteceu há alguns séculos atrás é que a automação começou a chegar. Energia a vapor, máquinas de energia elétrica. Eles entraram e eu não consigo entender. Não posso gostar de sobrecarregar o impacto do que era porque agora você tinha produção em massa acontecendo em fábricas em linhas de montagem. Foi algo que nunca aconteceu antes na história da humanidade. Então, o que aconteceu? Jump começou a se mudar para os eventos de fábrica. As pessoas começaram a se mudar para as cidades onde havia empregos. E o que aconteceu? A cidade começou a prosperar a taxa economistas iniciaram Bu, começaram a subir, saltar, começar a se mover. E isso praticamente deu início à era moderna e as pessoas começaram a se mudar para as cidades. Então eu apenas combinei a primeira, segunda Revolução Industrial porque a primeira era baseada em vapor, energia de água. O outro é elétrico, mas o conceito permanece o mesmo. Então, estas foram a primeira, segunda Revolução Industrial, que mudam praticamente a forma como os humanos costumam trabalhar. A segunda foi a revolução digital. Agora isso deve ser fácil porque vocês estão vivendo agora caras. Qual foi a revolução digital removida do mecânico para o digital. O que foi essa revolução? Eram computadores, digitalização, internet, smartphones. E eles vieram e mudaram negócios e a vida das pessoas para sempre. Há um motivo no momento em que você não está usando telefone analógico. Você sabe, todos os telefones analógicos que você vê em museus ou na Internet, eram alofones ingleses. E por causa da revolução digital, essa é a razão pela qual você provavelmente está assistindo isso em seu PC pessoal doméstico, no smartphone ou no tablet para a Internet de alta velocidade. Essa é a razão pela qual eles fizeram isso são todos os benefícios da revolução digital. Então agora acho que você pode entender o que estou fazendo com essa faixa amarela, o palco. Agora RIAA, tão importante. Então agora estamos chegando. Então, esta é a quarta revolução que está bem no meio dela, está começando. E EI é uma grande parte da Revolução Industrial estava acontecendo. É uma continuação da revolução digital. E basicamente está construindo sobre ele em seu financiamento. Então, o que aconteceu agora é que o EI está lá. E o que parecia ser ficção científica há algumas décadas está se tornando realidade. Estamos vendo robóticos de nós na vida cotidiana como a Siri Alexa, que está nos ajudando a tomar melhores decisões. Está melhorando a qualidade de uma vida, e vai mudar as linhas, espero, para melhor. Mas já começou a interromper os mercados de trabalho. Isso começou a eliminar trabalhos que não ocorrem em um alto nível de interação humana. E novos trabalhos foram criados medida que as empresas começam a olhar para eles ou preguiçosas ou dado que é aqui que você pode conectar IA e aprendizado de máquina. Então, espero que você entenda por que agora a IA é tão importante, por que, como vai ser e como ela vai revolucionar como as pessoas trabalham e as pessoas viverão. Eu adicionei um link na seção de recursos, pessoal, para que você possa obter mais informações sobre a quarta revolução porque, acredite ou não, Não é apenas a ideia de outros aspectos por n, é muito fascinante. Vai liderar as pessoas, todos os governos estão interessados em ver como gerenciá-lo. Quais são a ética disso? É horrível. Podemos ter uma palestra ou podemos ter um curso dedicado a isso. Então, espero que agora entenda por que é tão importante. Então agora nós entendemos que, quero dizer, você sabe a importância de um, mas por que ele se tornou tão carbono de repente, quero dizer, o que aconteceu nos últimos anos que estamos vendo tal enormes produtos e serviços da Eva. Estamos vendo que as empresas de postagens de emprego TI estavam colocando os governos interessados porque o conceito de VAs, exceções dos anos cinquenta e do Senado, mas nada substancial aconteceu. E por que isso foi? Bem, foi principalmente por três razões, três deficiências. Havia falta de poder computacional, falta de dados e falta de talento. Então, se olharmos para isso, assim, e essas são as três coisas que desapareceram agora. E nós temos como basicamente nos tornarmos disponíveis em grande medida. E essa é a razão pela qual eles têm sido um grande aumento no serviço de abdominais. E vamos ver a primeira linha, por que ela pode imprimir em cores. Agora, o que aconteceu é que o principal é a computação em nuvem. Agora, tecnicamente, existia antes da nuvem, certo? inteligência artificial era a essência de uma peça. Mas, recentemente, a nuvem foi realmente o catalisador para a adoção da IA para acelerar. Por quê? Bem, porque a IA precisa uma enorme quantidade de poder de processamento. E o que aconteceu com a nuvem, você pode girar VMs com CPU, memória ou disco, e basicamente pode colocá-la em uma VM tão poderosa quanto quiser. Então, agora você tem esses serviços de computação sob demanda, que eu só estive com os provedores de nuvem. Além disso, o grande problema com provedores como AWS ou GCP, eles até têm serviços gerenciados e IA, que levam muita complexidade para os serviços. E eles removeram a barreira para entrada também para recém-chegados. Portanto, é muito fácil não se envolver na montagem. Simplesmente não conseguimos antes. E o segundo são os caras de dados. Agora a nuvem precisa de dados e muitos e muitos deles. Por quê? Como quanto mais dados você alimenta um modelo de IA, mais precisa você pode fazer previsões e decisões. E dados de bytes, eu quero, quero ser claro. Não quero dizer dados, apenas registros, mas dados significam Weiss, imagens, vídeo, localização geográfica, dados de smartphones e assim por diante. E isso simplesmente não é possível antes de ser, não era possível armazenar muito, pois muitos dados, seja por causa do custo ou do armazenamento em si era limitado. Agora, com big data e o custo reduzido de armazenamento, esse talento desapareceu. E, por último, mas não menos importante foi o elemento humano que era o investimento. Governos. Não estamos vendo esse valor eterno de investir em IA. E isso mudou drasticamente. Os elementos agora viram o potencial e há um investimento pesado no futuro. Ai. E as empresas start-ups estão procurando como mudar as Montanhas Rochosas para acomodar um no futuro. Temos instituições educacionais da Universidade que oferecem programas dedicados e de mestrado na EIA. O curso do nível do curso no discurso que você está lidando agora. Isso simplesmente não é algo inédito algum tempo porque ninguém teria se interessado na ajuda simplesmente não se tornou popular. Mas tudo isso desapareceu. É por isso que se tornou tão popular nos últimos tempos. E tudo bem, então o romance entendeu o impacto da IA e por que ela se tornou tão popular. Então, como você está usando o ágar é em todos os dias se você puder pensar em alguns serviços. Então, vamos dar uma olhada na Netflix, acho que todo mundo tem um fluxo de CA, caras certos. Você é personalização. personalização, que acontece, você sabe, para recomendações de filmes, usa o olho móvel que você tem, enquanto você assiste a filmes e Netflix entende que tipos de filmes você gosta, ela começa a recomendar o que, isso é tudo aprendizado de máquina. Está olhando para os filmes que eles gostam e filmes semelhantes que outras pessoas estão assistindo. E com base nisso, é o modelo, é o modelo baseado em aprendizado de máquina e. Recomenda filmes para você para que ele possa continuar se interessando. Acho que todo mundo reconhece qualquer pessoa que tenha um iPhone com o botão direito do mouse necessariamente. O que o CV faz é usar uma síntese de fala, reconhecimento de fala como National Natural Language Processing, ele entende o que você está vendo e com um alto grau de precisão, é capaz de para fornecer o que você quer e ele é capaz de conectar o google. Acho que todos devem saber disso como a pesquisa do Google. À medida que você está digitando, você pode ver o Google preenchendo o espaço em branco. Já está entendendo o que você tenderá a procurar com um alto grau de precisão. É capaz de prever que a IA está sendo criada, incorporada aos algoritmos de pesquisa do Google. Da mesma forma que o Google Maps, você pode ter visto o Google Maps, certo? O que ele faz? Ele estaria usando o Google Maps. É rotulado estimativa onde você tinha e como navegar sem qualquer radioatividade de comando, Ela tosse, tufões e tudo mais. Twitter. Hoje você pode ter visto a priorização da linha do tempo. Ele mudou. Em vez de apenas ver o tweet mais alto, ele realmente olha para o que você tem feito, quais são seus interesses, quais são o tratado relevante pode estar interessado. E com base nisso, prioriza seus tweets e mostra para você, certo, quais são as mensalidades podem estar mais interessadas. Da mesma forma, flicking, sinalização de seu caso de discurso de quadril. Quero dizer, coisas que não são aceitáveis em uma sociedade moderna. Na verdade, você não pode ter um cara apenas passando manualmente por milhões e milhões de tweets atrasados. Então, na verdade, é mortal, passa por ele e as bandeiras, cujo discurso composto por discurso de ódio e o sinaliza e menos visível. Acho que todo mundo está usando o Facebook certo? Facebook você através do reconhecimento facial, você chama nova tag seus contatos. Através do reconhecimento facial é capaz entender quais são as imagens sobre o que seu contexto está aparecendo. E é capaz de peneirar milhões e milhões de fotos e mostrar para você. Portanto, essas são apenas algumas delas e implicações todos os dias que estão usando a IA no. Então eu tenho que fazer isso contextualiza e mostra quantos olhos se tornam e como você se tornou suficiente vindo. Quero dizer, você está usando sem sequer pensar nisso. Certo pessoal, obrigado. Espero que você tenha entendido agora por qualquer coisa maravilhosamente que estamos tentando realizar aqui. Então, vamos passar para a nova seção. Obrigado. 4. Demonstração de IA no Google AI: Então pessoal, agora que entendemos a IA e seus conceitos e impacto, vamos ter uma demonstração rápida com a Vision API, que está disponível no Google, e que lhe dá a capacidade de analisar imagens usando EIA e obtém todo tipo de insight disso. Ele pode dizer que você olha imagens que podem dizer quais objetos existem, quais emoções estão sob o rosto das pessoas, quais texturas presentes em sua magia, cetera, são extremamente poderosas. Quero dizer, você pode até detectar as imagens em sala de aula todos os dias nas classificadas em milhões de categorias, que já estão predefinidas. Mas o Google, algumas pessoas o usam para detectar texto em imagens. Para OCR, ele permite que q processe documentos mesmo se você for como em uma empresa. Digamos que se você é um negócio de comércio eletrônico e está aceitando imagens, você pode usá-lo para externalidade para descobrir se alguma imagem tem conteúdo adulto enquanto estão em gaiolas. É uma ferramenta extremamente poderosa. Então, vamos dar uma olhada pessoal. Então, caso você esteja se perguntando o que, como os screeners e a YMCA gostam, você está vendo dois de mim. É simples. Coloquei em cunhas de mim mesmo, uma com uma nota manuscrita e quando teria impresso uma. Então, vamos ver, vamos ver a visão do Google e ver quanto, quantos dados o Google pode extrair dela com inteligência artificial. Então, visite a página em vez disso na seção de recursos, basta clicar nela e vejo você lá. Então pessoal, isso é uma tela. Eu estava dizendo se esta é a Google Vision API é facilmente. É agente para nuvem ponto google.com slash vision. Como um tolueno. Ele tem uma API Vision para que você possa fazê-lo, então você pode simplesmente não precisar fazer nenhuma programação. Você pode simplesmente arrastar sua imagem novamente e ver que tipo de dados ela pode ser extraída dela. Então, vamos ver a imagem híbrida que coloquei lá. Vamos abrir do olhar deles na pedra angular. Então, isso é um pessoal bem interessante. Olhe. Então levou minha expressão, cantar possível e possivelmente estou feliz, estou, acho que estou sorrindo um pouco melhor. Você pode vê-lo se conectar, seja 98 por cento de confiança de dizer: Bom, Ok, quais são os objetos? Há uma pessoa, definitivamente a camisa amarela e tudo o que liberais. Então, manga de escrita manual só para que você possa ver tudo isso detectado Qual é a pesquisa de texto. Então, não designou um i é incrível. Ok, tanto foi capaz de detectar quais são as propriedades, não as cores e tudo mais. Isso é incrível. busca segura detecta se Lego, felizmente, não há o que você chama de um documento nesta foto. Graças a Deus por isso. E assim você pode ver o quanto foi capaz detectar apenas pela imagem simples do rosto, emoções, objetos, rótulos, texto. A propriedade é uma busca segura. Certo? Então, vamos fazer uma coisa. Vejamos aquele em que estou segurando a imagem impressa. Certo. Então este é o segundo. Novembro, tenho o documento impresso da minha mão. Eu só queria ver o U para mostrar a diferença. Certo. Mais uma vez, acho que estou feliz em ambas as fotos, o que é bom. Certo. Quais são os objetos agora? Pessoa, curiosamente, o que ele chamou de camisa e todos esses níveis de taxa. Certo. Uniforme esportivo Jersey. Certo. É preciso minha barba também? Gosto disso. Oops, desculpe. Texto. Olhe para isso. Eu não detectaria provavelmente um é incrível. Aprenda a usá-lo porque acho que era mais, minha iluminação não era legível, mas eu gosto daquele pescador monomial diz Londres, se você pode ver aqui, foi até capaz de detectar isso. Isso é muito incrível. Você pode ver isso aqui, certo? A propriedade está bem, as cores dominantes e outras É uma resposta viciante se tal, novamente, felizmente, não há um prazo de contato, evite e imagem de salvação. Você pode ver quanta imagem capaz de extrair dos movimentos de objetos. E, em seguida, deliberadamente, acabou de ser impresso e 100 manuscritos. Mas eu realmente gosto do fato de que ele foi capaz de detectar distinguir. Eu não estava pronto para isso. E diz em Londres que apenas o BUN é visível e foi capaz de detectar isso também. Então você acha que eu só queria te dar uma demonstração rápida e rápida. Vou pular muito como se tornar e quanta imagem é capaz de detectar. Eu quero que você faça uma coisa. Quero tirar algumas fotos e me proteger. Eles são apenas ver, apenas brincar com ele, ver quantas imagens. E o DEC, qualquer bactéria não o armazena. Então você não precisa se preocupar com privacidade ou qualquer coisa, mas veja quantas informações ele pode extrair de qualquer uma das suas imagens de amostra. Certo. Obrigado pessoal e nos vemos na próxima seção. 5. Resumo: Olá a todos. Então, finalmente chegamos ao final desta seção. E eu realmente espero que você tenha gostado de aprender sobre o que é seu passado e também o grande impacto que está tendo em nossas vidas cotidianas. Agora aprendemos sobre a realidade do inimigo AIA realmente distingui-lo da versão de ficção científica, que infelizmente está presente na mente de algumas pessoas. E também entendemos por que a EIA repente em todos os lugares hoje em dia sabe o que, o que, por que, por que é isso? Quais são os fatores que contribuíram para isso? E, por último, com a demonstração rápida e suja da Google Vision API, que usa o reconhecimento de imagem para gostar de um efeito realmente incrível. E este EPA está disponível para quem quiser usá-lo. Eu definitivamente encorajaria todos vocês a experimentar com isso. Veja os diferentes resultados que surgem com objetos, textos, expressões. Tente traçar algo com um 100 e fazer upload de algo impresso para realmente ter uma ideia como acessibilidade e ele se tornou uma ideia, energia e quão inteligente ela é. Então, agora que você tem uma base sólida, agora é hora de mergulhar profundamente em como a IA funciona e quais são os principais conceitos. E isso é adquirido pessoal antes de começarmos a construir quando os serviços de IA. Portanto, este é definitivamente o próximo módulo é definitivamente o mais importante. Então, verei você na próxima seção. Obrigado. 6. Conceitos básicos da AI: Olá a todos. Bem-vindo a esta seção na qual você discutirá os detalhes sobre como a IA funciona e o aprendizado de máquina. E isso é um pessoal muito importante. Vamos discutir em detalhes os diferentes tipos de modelos de aprendizado de máquina, como eles funcionam e Michael Butterworth, uma situação doce. A importância desse modelo é que, uma vez que você tenha essa base em vigor, podemos começar a construir nossos próprios modelos. É por isso que eu facilmente, esta é a seção mais importante deste curso. E eu definitivamente precisaria toda a sua atenção aqui, por favor. Simplificando, se o seu cenário básico, se o básico estiver em vigor, criação de serviços de IA se tornará muito mais fácil. Então, vamos começar. Então, antes de tudo, gostaria de esclarecer alguns termos comuns que você ouviu muito e quais pessoas usam de forma intercambiável. E isso é IA, aprendizado de máquina e aprendizado profundo. Então, enquanto eu usei juntos, eles definitivamente não são os mesmos. Então, precisamos esclarecer isso, pessoal. Inteligência artificial que discutimos. É uma maneira de descrever qualquer sistema que possa replicar tarefas que anteriormente exigiam inteligência humana. Quase sempre. Quero dizer, isso é um pouco algum tipo de tomada de decisão complexa. O julgamento humano seria necessário, você sabe, como a maioria do sistema USCA AAA envolveria fazer previsões. Classificações são decisões com alto grau de certeza de uma forma semelhante ao julgamento humano. Portanto, esse é todo o campo de fazer máquinas inteligentes que fazem. O próximo passo é o aprendizado de máquina. Agora isso é um subconjunto do olho. E como o nome diz, quero dizer, você poderia entender o que é do próprio nome. Envolve dar a um competitivo a capacidade aprender com nosso ácido na verdade, mas tomar decisão por si só. E esta é definitivamente a área que passaremos a maior parte do nosso tempo e descartaremos. Ou por que isso? Isso é simples. Quase todos os sistemas de AAC hoje que criei usando aprendizado de máquina e IA podem ser criados sem aprendizado de máquina. Não vou mentir para você, mas agora, aprendizado de máquina é o principal método para criar sistemas de IA. Da mesma forma, você pode usar o aprendizado de máquina para coisas que não sejam as oito. Mas, neste momento, a maioria do aprendizado de máquina é relacionada. Então, entraremos em grande detalhe no capítulo sobre aprendizado de máquina e como ele funciona. Quais são os tipos diferentes? Por fim, o aprendizado profundo, ou o aprendizado profundo é um subconjunto de aprendizado de máquina. É basicamente o aprendizado de máquina levar para o próximo nível que leva a melhor maneira de entendê-lo. Modelos de aprendizado profundo não. Eles podem fazer suas próprias previsões completamente independentes dos seres humanos e usam redes neurais. Bem, o que isso significa? Basicamente, é inspirado em como seu cérebro funciona. A rede neural biológica, que não é o cérebro humano. Ele analisa dados com uma estrutura lógica semelhante à forma como os seres humanos. Conhecemos o impulso às conclusões. E honestamente caras, algumas muito, muito complexidades do assunto. Não vou entrar em muitos detalhes. E, em vez disso, estaremos focando a maioria no meio, que é aprendizado de máquina, como mencionado. Então, vamos mergulhar profundamente no aprendizado de máquina, e verei você na próxima seção. Obrigado. 7. Vamos entender a aprendizagem de máquina: Olá pessoal, Bem-vindo a esta seção, que é facilmente a seção mais importante deste curso, que explica em detalhes como o aprendizado de máquina funciona. Agora, como expliquei anteriormente, aprendizado de máquina é um subconjunto de inteligência artificial. E o que ele faz? Ele permite que um programa ou software aprenda com sua experiência e com suas melhores tarefas de autocuidado, tarefas de autocuidado sem ser explicitamente programado. Agora parece muito estranho, mas como fazemos sobre isso? Então, se você sabe alguma coisa sobre programação tradicional ou como os computadores funcionam, você sabe como os computadores funcionam. Oh, o que um computador faz é você sentir que toma alguma entrada e escreve uma taxa de programa e você diz a eles que eu posso colocar como, Ok, isso é o que vai vir. Isso é o que você precisa fazer, e ele usa esse programa para gerar uma saída. É assim que os computadores sempre funcionaram muito bem. Ninguém vem ao aprendizado de máquina. É um pouco diferente. Você realmente dá a entrada e diz a ela qual é a saída esperada. E o computador em si vai elaborar um programa. Você o chama de cor em si, um modelo. Ele usará isso para gerar qual é a saída. Então, se olharmos um por um, então você obtém muitos e muitos dados. Mas vai fazer e você dá a ele e tem que entender esses dados. Bom pessoal, isso é o que vai ser. Sim, a própria máquina construirá um modelo. Vamos usar isso para prever algo que está acontecendo, aconteceu ainda. Você ainda não vendeu. Agora vou dar mais detalhes. Nunca vou ver se está funcionando ou não. Seu modelo está correto ou não. Se houvesse menos, não vou dar mais dados a ele. Você terá que devolvê-lo várias vezes. Achamos que ele dá mais suposições até que a saída desejada seja formada. O que está acontecendo? A máquina está basicamente rodando por conta própria. E havia aqueles para se tornarem cada vez mais precisos ao longo do tempo como se ele debatesse. Então, vamos ver. Representação mais diagramática desse círculo, deixe-o mais claro. Então, pessoal de aprendizado de máquina. Então, enquanto você tem, você tem dados de treinamento e sim, então vamos dar uma olhada nisso. O que está acontecendo no processo de aprendizado de máquina começa com entrada de dados de treinamento em um algoritmo. Ok, o que isso vai para eles? Primeiro de tudo, vou com eles é apenas uma maneira de o computador entender quais dados você está ajustando e dê sentido a eles. Então, o que vai acontecer? A máquina vai pegar esse algoritmo, pegar esses dados e construir um modelo. Esse modelo é o que ele chamou de. Então, basicamente, qual é o modelo? O modelo é a saída do algoritmo e dos dados. Então é isso que basicamente se chama, ele vai usar isso para prever algo que ainda não aconteceu. Então agora temos dados da FedEx, temos Delgado das vendas criou um modelo. Agora vamos ver o que está acontecendo. Se você fornecer alguns dados reais. Vamos pegar alguns dados reais agora e alimentá-los no modelo. Então, o que acontece então? A previsão vai fazer uma previsão e deixará ver se está correta ou não. Então, o que vou avaliar isso é, então vamos supor que a previsão não vai voltar atrás. Se a previsão não for a esperada, então o nutriente do algoritmo várias vezes até a saída desejada como telefones, o que aconteceu que isso permite que um algoritmo de aprendizado de máquina continue a aprenda exon e produza a melhor resposta. E isso aumentará em precisão ao longo do tempo. Quanto mais dados você alimentar ele aumentará em precisão. Então, em poucas palavras, o aprendizado de máquina de decisão de fiança é, e se você se lembra do que discutimos, definimos d por d Theta é tão importante para a IA e por que a possibilidade de ter tantos dados, isso é por que você está vendo tantos serviços de IA aumentando. Bem, este é um deles usa. Um modelo de aprendizado de máquina é tão bom quanto os dados que você o alimenta, pois aprende com dados históricos alimentados nele e criou seus algoritmos de previsão para prever a saída de um novo conjunto de os dados determinarão a precisão dos modelos. Se depender da qualidade e da quantidade de dados de entrada, você fornece uma grande quantidade de dados, criará um modelo melhor e produzirá com mais precisão. Então, espero que agora tire um pouco do mistério do aprendizado de máquina. Então, vamos para a próxima seção e ver os diferentes tipos de aprendizado de máquina que eles são. Obrigado pessoal. 8. Tipos de aprendizagem de máquinas: Oi pessoal. Bem-vindo a esta seção, na qual vamos entrar nos diferentes tipos de aprendizado de máquina. Portanto, o aprendizado de máquina é um objeto complexo por si só. E isso não é, Ele foi dividido em duas áreas principais, que é aprendizado supervisionado e aprendizado não supervisionado. Então, cada um tem um propósito e ação específicos. Você sabe, no aprendizado de máquina, eles produzem resultados diferentes e utilizam diferentes tipos de dados. Eu diria que aproximadamente 70% do aprendizado de máquina geralmente é um aprendizado supervisionado. aprendizado não supervisionado varia de 10 a 20%. principal diferença entre os dois geralmente vem nos dados que são fatorados, reconhecidamente, os dados do rótulo ou não rotulados. Então, qual é a diferença nos dados rotulados? Eu, você sabe, é bem simples entender as saídas importantes. Então você o alimenta no modelo, solidamente compreendido. Então você diz à máquina que isso é o que os dados são e isso é o que você, qual saída você está extraindo. E quando dados não rotulados e limitados, pois não têm a saída, não tem a linha de entrada em um dos parâmetros como ausente. Então, a coisa boa sobre a rotulada TI É você diz ao computador o que você está esperando. Mas isso causará mais esforço humano porque agora você precisa rotular todos os dados. E isso pode levar muito tempo. E no aprendizado não supervisionado, você não precisa dizer quais são os dados, você possa cuspir em todo o esforço humano. Mas o problema é, claro, que causará soluções mais complexas. Então, vamos fazer isso. Vamos entrar em detalhes no aprendizado supervisionado. Então eu quero que você entenda supor que você está fazendo uma tarefa e você está fazendo algo pela primeira vez e você tem um apoio como uma posição sobre você e está fazendo se você está fazendo é algo que uma deixa correta. Se o calor não estiver conectado como você pode durante esse tempo, faça-o corretamente. Então, isso é basicamente o que é o aprendizado supervisionado, que nem a explicação está lá e, em seguida, a imagem vende a máquina, faz isso sob supervisão. Bem, o que isso significa? Você dá a ele um rótulo de dados quando estiver girando. E o que acontece é basicamente o detalhe que você está alimentando. Ele já volta com a resposta. O álcool Dalton deveria inventar. Então, um banco de dados de etiquetas. E vamos dar um exemplo. Você, você está se alimentando em diferentes tipos de flores, sabe, talvez rosas, margaridas, narcisos. Então, sempre que você está dando os dados aqui, o que é a flor? Ele já está lá nos dados. Então, o que acontece é beneficiado um novo conjunto de dados e você imagina o modelo vai compará-lo com os exemplos que você já deu a ele. E colocar para prever qual é a nova imagem. Isso é basicamente aprendizado supervisionado, aprendizado não supervisionado. É exatamente o oposto. A realidade é limpa perfeitamente dados de nível não é tão fácil de encontrar. Ou se houver muito esforço humano que vai para isso. Então, e às vezes é isso que a pesquisa mostra que fazendo as perguntas, eu não sei a resposta por si só. Então esse é o aprendizado não supervisionado vem em caras. No aprendizado não supervisionado, o modelo de aprendizado de máquina recebe um conjunto de dados sem instruções claras sobre o que fazer com ele. Portanto, pode ser vários exemplos de dados sem o resultado ou a resposta correta. Então, o que vai acontecer? O modelo passará esses dados em si e vai encontrar os padrões. Ele vai encontrar estruturas nos dados extraindo recursos. Então, vou te mostrar em detalhes ultimamente. Vamos ter um fluxo gráfico como fizemos antes para levantar ideias iniciais. Mas antes de irmos, eu era pessoal, como eu disse a vocês , tipo, 70% geralmente é muito Sheila, mas supervisionou aprendizado e então eu diria que 10 a 20% é. E suponha que houvesse outro também chamado de aprendizado por reforço, que não é usado com tanta frequência. Mas eu quero discutir com você no caso de você ter sobre isso, reforçado. Aprendizado por reforço é mais sobre tentativa e erro. Então, basicamente, é uma maneira de jogar um videogame, você sabe, na jogar um videogame, você sabe, primeira vez que você joga com o nível, você não sabe o que fazer, certo? Você está se atrapalhando, está fazendo isso, fazendo essa tentativa e erro, você comete erros e os entende. Isso é basicamente o que é o aprendizado por reforço. Isso lhes dá fazer coisas, cometer erros e entender o que está acontecendo. E ele se encontra. Essa técnica geralmente é usada para treinar robôs. Você sabe, ele faz uma série de tarefas de decisão como Veneza, fazendo veículos autônomos como se estivessem dirigindo sozinhos ou gerenciando inventário. Então, é basicamente aqui que entra o aprendizado por reforço, mas não entraremos em muitos detalhes porque ele se concentrou em supervisionado e não supervisionado. Então, agora que entendemos esses dois modelos principais que são usados, vamos ver uma representação gráfica deles para ter uma ideia melhor. Então, em primeiro lugar, o aprendizado de máquina supervisionado. Então, no aprendizado supervisionado, como eu disse, usamos dados conhecidos ou rotulados. E como os dados são conhecidos, o aprendizado da fosforilase gosta de dizer, você sabe o que é a saída, eu lhe darei um exemplo simples. Então, supondo que você tenha um filho com você, certo? Você mostra a eles uma foto de um cachorro e ele disse que este é um cachorro e é mostrado uma foto de um gato e você a encontraria, Ei, é um gato. Agora você mostra fotos suficientes para ele. O showman do local, nova imagem. Agora ele vai saber que vai reconhecer que ele vai aprender a diferenciar entre eles porque o que aconteceu, você tem que conhecê-lo e ele é capaz de reconhecer diferentes raças de cães. Isso porque mesmo que você não tenha visto isso, porque ele sabe quais são suas características básicas de um cachorro. Certo. Espero que você entenda. Então, vamos ver. Então agora você tem várias fotos. Você tem essa taxa de dados. Você colocou um rótulo de cachorro. E se não tivéssemos o modelo de aprendizado de máquina e o algoritmo mudarem, o que ele faz agora você tem um modelo de aprendizado supervisionado. Então agora você tem esses dados. Vamos alimentar alguns dados desconhecidos. Então você vai encaixar uma foto de um novo cão é algo que não viveu antes. O que acontece, vai pegar ação. Sim, é um médico, então eu entendo que é bem simples. Isso é o que é suposto aprender é pessoal, você treina o modelo o suficiente. Ele entende o mundo móvel, que ele faz vai entrar nele. Então, e agora vamos dar uma olhada no aprendizado não supervisionado. Agora, como dissemos anteriormente, ele aprendeu sem supervisão. Os dados não são rotulados, não são conhecidos. Você dá ao modelo absolutamente mais saudável, mas os dados não virão nenhuma supervisão. Então você alimenta alguns dados para ele, como um exemplo, gatos e cachorros e fotos, mas você não conta, você não diz ao modelo o que é. Portanto, esses dados serão alimentados no algoritmo de aprendizado de máquina que será usado para limpar o modelo. Então, o que você acha que o modelo vai fazer? Vai procurar padrões. Vai ver OK. Amanda, gatos e cães parecem diferentes. Eles têm atividades diferentes que vão passar os dados e eles vão classificá-los. Esses dois animais são parecidos entre si, mas vai olhar para as diferenças entre eles. Então, os algoritmos, o aprendizado de máquina por si só e descobre um padrão em uma estrutura. E como ele está trabalhando com dados não rotulados, ele precisa descobrir por si só quais são os recursos comuns e separá-los. Então, sim, ele vai separar o carrinho separadamente e vai separar o cão separadamente. Então você entende qual é a vantagem do aprendizado de máquina não supervisionado. É, tem a capacidade de ir para os dados não rotulados. Então, humanamente, pois não é adquirido e rotulando tudo isso, tornar todos os dados antes legíveis permite um ecossistema muito maior sobre o projeto de lei porque ele pode pular todo o trabalho humano. Mas o que é, torna-se muito mais complexo. Então, espero que você tenha entendido agora colher livros de aprendizado de máquina supervisionados e não supervisionados. E então vou passar para a próxima seção nesta demonstração é um desses algoritmos porque às vezes as pessoas perguntam, bem como esses algoritmos funcionam. Então eu preciso de cena na próxima seção, pessoal, obrigado. Espero saber que você tenha entendido que todos esses modelos diferentes funcionam. 9. Algoritmo KNN: Oi pessoal. Bem-vindo a esta seção completamente opcional. Cabe a você. Você pode ignorá-lo se quiser. Então, isso é basicamente sobre, porque muitas pessoas às vezes me perguntam sobre esses algoritmos de aprendizado de máquina. Sabe, como eles funcionam? Como o que a mecânica pode por trás de alguns desses algoritmos? Se você quiser saber os detalhes disso, escolhi um algoritmo simples de aprendizado de máquina. É um dos mais fáceis e simples de implementar, que é um algoritmo de aprendizado de máquina, que é chamado de chave vizinha mais próxima de Kim. E um algoritmo abreviado. É um algoritmo de aprendizado de máquina supervisionado. E o que ele faz, é baseado no princípio simples de que coisas semelhantes existem em estreita proximidade. Quero dizer, vocês vizinhos William são, basicamente, são assim. Isso deixa a é B, está no nome também o vizinho mais próximo. Ou é muito simples e fácil de entender. Então, o que acontece é que ele agrupa os dados existentes e o que eles fazem quando você fornece novos dados, ele coloca os dados na mesma categoria, sejam coisas semelhantes. E com base nisso, faz com que uma previsão caras culpados distinguam a probabilidade disso. Então, vamos dar um exemplo sobre o que é esse diagrama. Supondo que você tenha uma imagem de uma criatura eleita um gato ou cachorro, certo? Então o que acontece é que você alimentou o modelo, os dados sobre gatos e cães com base na altura e no peso. Portanto, tem um grupo que os dados geralmente decidem sobre a rua e as lâmpadas ou esta indústria de TIC. Então, como você pode querer colocar uma nova foto de um gato e um cachorro. E eu não vou construir o modelo, seja um gato ou um cachorro. Eu só digo a ele que é a largura aumentada. Então, o que vai acontecer? Você vai agrupá-lo e vai verificar quais são os vizinhos mais próximos, gatos ou cachorros iônicos. E com base nisso, ele vai fazer uma previsão. Então, vamos dar uma olhada. Então, eu alimentei uma nova imagem que tenho. Eu não digo o que é, certo? O que ele vai fazer vai verificar a altura e o peso. Vamos cair na Itália teve uma pegadinha, seus vizinhos mais próximos assim. Então, é praticamente o mesmo. Ele volta às 6 horas. Ou eu criei uma foto de um cachorro sem contar o que vai acontecer. Vai verificar a altura e o peso, ok. É para alguém, está caindo nos vizinhos mais próximos, que são cães. Então, com base nisso , vai dizer, ok, isso é definitivamente um cachorro. Sim. Assim, você pode entender a vantagem dessa estratégia de argamassa para entender que as pessoas fazem scripts Python disso, você pode facilmente encontrar modelos disso na Internet. A desvantagem disso como o, porque ele precisa de muitos dados que você pode entender para fazer previsões corretamente, porque ele terá que categorizar seu modelo semelhante. A precisão aumentará com base no número de dados que ela possui. A desvantagem dos visitantes se torna mais lenta à medida que o volume de dados aumenta. Sabe, porque se você tem o que ele chamou de ambientalmente, você precisa fazer previsões rapidamente. Knn pode não ser o modelo mais ideal para você. Mas supondo que você tenha alguns recursos de computação suficientes, você sabe, seus computadores são tão poderosos que podem realmente lidar com todos os dados que você vai usar, então pode ser um modelo muito bom para usar. Então, espero que você tenha entendido agora um pouco de quanto fundo deselegante da quantidade eleitoralmente enorme de algoritmos. Não vou passar por todos eles. Eu só queria mostrar que esse é o back-end de como os algoritmos normalmente funcionam. Certo pessoal, obrigado. Como você na próxima seção. 10. Resumo: Olá pessoal, vimos que chegamos ao final desta seção muito importante sobre aprendizado de máquina e os principais conceitos por trás da IA. Espero que você tenha entendido os principais conceitos do aprendizado de máquina de IA. Nós fomos, mergulhamos profundamente no aprendizado de máquina e aprendemos diferentes tipos dele. Os diferentes tipos de modelos que sub-arrays e não supervisionaram. E também demos uma olhada em um dos algoritmos, que é chamado de vizinho k-mais próximo. Então, como eu disse, esta foi a seção mais importante dos custos diretos. Então, a coisa boa disso agora é que a teoria acabou. A parte teórica deste curso acabou agora você tem informações suficientes, conhecimento suficiente para começar a criar seus próprios projetos de aprendizado de máquina, o que você não está prestes a fazer. Então, isso é realmente empolgante caras. Vejo você na próxima seção. Obrigado. 11. Tempo de criar um modelo de aprendizagem de máquina: Certo, pessoal. Então, bem-vindo. Estou feliz em dizer que quase terminou a parte conceitual 1, 2, 3. Oi pessoal. Bem-vindo a esta seção. E estou feliz em dizer que terminamos a parte conceitual. Claro. E agora estamos prontos para começar a criar serviços reais baseados em inteligência artificial. Então, como o aprendizado de máquina é minha paixão, então pensei que seria uma boa ideia, vamos construir um modelo de aprendizado de máquina supervisionado para nós mesmos. Então, o que você vai fazer? Vamos treinar uma máquina para reconhecer imagens liberais e depois apresentá-la com novos dados para verificar se o modelo que fizemos foi bem-sucedido ou não exatamente como discutimos anteriormente. Então, toda a teoria de que discutimos um deus, você vai colocá-lo em ação. Então a boa notícia é que não vamos dar a você não precisa fazer nenhuma programação pois elas estão sob as Ferramentas presentes, que podem gerenciar toda a bolsa na complexidade para nós. É algo que não poderíamos imaginar possível há alguns anos. Então, para fazer isso, vamos dar uma olhada em uma das minhas ferramentas favoritas que é uma máquina ensinável pelo Google. Agora máquina ensinável, é, o que é exatamente? Está aceso. É uma ferramenta que torna a criação de modelos de aprendizado de máquina muito, muito fascinante, fácil que qualquer um possa fazê-lo. Não há barreira técnica a ser superada. Foi lançado em 2017. E o que ele faz, torna o aprendizado de máquina acessível a todos. É rápido, fácil e é muito fácil de fazer. Você pode criar, você sabe, modelos de aprendizado de máquina para seus insights e conhecimentos sobre aplicativos. De acordo com um silêncio, você poderia até explorar os modelos que você cria para seus projetos e apenas doou para eu estudar. Então deixe-me mostrar que me deixou ir lá. O link para isso está na seção de recursos, pessoal. Oi pessoal. Então esta é uma máquina ensinável. Mas quando eu estava falando, então é aqui que você pode criar modelos que você pode criar. Agora, usando isso, você pode criar modelos que podem, digamos que você possa identificar imagens usando arquivos de uma câmera da web. Você pode ensiná-los o que estanque e se eu tocar amostras, até mesmo o meu favorito é que você pode até ensiná-lo a classificar o movimento corporal. Suponha que um interruptor que você ataca na frente da sua webcam. Então, só para mostrar, sim, você pode ver. Então isso é para imagens, sons, você pode fazer algo até mesmo pausas. Então, tudo isso você pode fazer. Então, vamos começar com a primeira tendência leigos. Mas a cada show que você recebe, se você o vê em ação, nós o entendemos muito melhor. Vamos começar, pessoal. E vamos fazer um produto de imagem. Certo? Então, o que vamos fazer? Nós vamos basicamente o que ele disse, é assim que esta é a máquina de aprendizado de máquina mais complexa, desculpe, ensinável recebe esses outros clássicos Lanisha classe para esses outros tipos de dados, vamos refutando isso. Então, vamos fazer uma coisa. Vamos criar um modelo de aprendizado de máquina para identificar diferentes tipos de frutas. Então eles vão treiná-lo para alguns dados ao vivo e depois ver como eles se saem, quão bem ele pode identificar diferentes tipos de imagens que você apresenta a ele e o que ele chama. Então, isso é tudo o que você precisa para fazer isso. Então, vamos fazer uma coisa. Vamos começar, pessoal. Vamos criar como primeira classe, chama-se Apple. Ok, segunda classe, vamos fazer isso. Vamos adicionar mais um palpite. Isso seria eu acho que consegui. Certo. Ok, então agora que criamos essas poucas classes diferentes, o que precisamos fazer é que precisamos fornecer alguns dados. Tão pesado, precisamos alimentar algumas imagens para que ela possa realmente entender. Então, quando somos apresentados com dados ao vivo, então vamos fazer uma coisa. Deixe-me ligar a webcam e apresentar algumas imagens. Certo, pessoal. Então, este sou eu. Vou segurar uma maçã e 2008 o máximo possível. Então você vê isso, isso está realmente reunindo todos os dados. Parecia que a Apple apresentou para vol, tanto quanto possível. Vou fornecer o máximo de dados possível para que ele reconheça. Então você tem um tio 25 e Wendy, acho que isso deve ser suficiente. Certo. É isso para Napa. Certo. A mesma coisa agora para os caras da banana. Certo, então vamos segurá-lo. Isso é apenas para fornecer o máximo de dados possível. Certo? Está construindo toda essa biblioteca de imagens. Certo? Acho que praticamente da mesma forma que fizemos para isso. Certo. Mais um. Certo. Vamos gravá-lo. Deixe que ele mantenha todos os dados alertas, tente girá-lo o máximo possível. Então, ele faz tanto quanto dados para construir qual taxa? Ok. Isso é praticamente que eu penso tanto com sim. Certo. Então, agora nós nos preocupamos com os dados como fizemos. Aprendemos um aprendizado de máquina supervisionado, temos preocupado com os dados reais agora que precisamos treinar o modelo. Então, vamos clicar nisso. Sim. Então, agora o que ele está fazendo? Vai afirmar começar a construir suas máquinas, modelo de aprendizado de máquina supervisionado, golfista mal tratado. E com base nos dados que nos preocupamos, não caras, coisa muito importante para Nazgul longe desta página porque então ela pára. Portanto, ele não está rodando por lá. Sim, exatamente. É a isso que eu estava me referindo. Então, agora o que ele está fazendo? Ele está ativando seu algoritmo supervisionado de aprendizado de máquina. E está limpando o modelo para reconhecer dados em tempo real quando isso acontece. Então está quase pronto agora. Ok, bem, então está pronto para pesquisa agora, aceitamos dados. Então você não se preocupa com isso. Então você vê isso, eles diminuíram o nível de confiança. Então, o público não se preocupe porque é então deixe-me levantar minha mão. Você está vendo a neve? Não é entender o que é a mão. Basta pensar que é uma maçã. Isso é muito engraçado porque não financiamos morreu, mas ele fez e vamos prever alguns dados reais e ver o que acontece, ok? Certo, honestamente, tudo bem. E vamos ver uma maçã com amplo conhecimento. Você vê isso 100%. Está dizendo que este é um aplicativo e você vê que não está confundindo. Certo? E saberíamos o que acontece? Acho que vai te salvar ver se estou movendo minha mão pensando que isso aconteceu para trás, isso é diferente? Sim, acho que continua menos engraçado. Então, tudo bem. Você vê a banana e ela apresentou as coisas importam. Então você vê que você apenas reconhecendo que ainda há algumas dobras na ferramenta Sorter. Você pode ver que ele está olhando para o back-end e, por algum motivo marcá-lo é um público porque alguns dos dados capturados, não o definimos completamente. Mas você vê como essas ideias agora, se eu colocar um momento de maçã dizendo que é uma maçã, de colocar em banana um bônus de 100% de assinatura. Vejo o marido nos dados. Então esse foi um caso muito emocionante. Então, agora você criou um modelo. O que podemos fazer com isso, pessoal? Então isso é apenas para mostrar a você, se formos para o modelo de exportação, você pode realmente exportar esse modelo. Se você clicar em fazer upload do meu modelo, o que acontece é que ele realmente lhe dá um link ao vivo. Se sim, ele faz este link, você pode usá-lo vai QUEM disse este link gratuitamente? Ou se você quiser fazer o download, você pode realmente baixar um arquivo zip com toda a codificação feita. Então você vê quanto trabalho pesado o Google fez por você por trás da cena caras. Então, eu só queria mostrar como é fácil agora criar modelos de aprendizado de máquina. E você viu uma aplicação real da pureza que aprendemos no curso anterior. Claro, há muito polimento que podemos fazer com esse modelo. Meu objetivo é apenas mostrar como é fácil. Então eu tenho uma tarefa para vocês. Quero que você faça um áudio ou um pós-processo e jogue com este serviço incrível para si mesmo. Você não vai acreditar que as pessoas criaram algumas ferramentas incríveis que você acha máquina ensinável. E eu realmente quero que você experimente por si mesmo em vez de apenas me ver fazendo isso, faça por si mesmo. Então, uma vez que você tenha feito isso e você brincou com o nervosamente na próxima seção. Obrigado. 12. Serviços de inteligência: Oi pessoal. Bem-vindo a esta seção. Agora espero que você tenha gostado da última lição com realmente criado um primeiro modelo de aprendizado de máquina. Então agora estamos prontos para experimentar alguns serviços de IA de notícias, mas desta vez não com o Google, mas com a Amazon. Agora, a Amazon oferece alguns dos serviços de aprendizado de máquina mais incríveis ou possui custos absolutamente gratuitos, como o Google, eles querem tornar o aprendizado de máquina acessível a todos. Então, antes de começarmos, uma coisa que eu preciso que você faça é você sugerir você para criar um tratado gratuito da AWS na conta. Se você não tiver, se você ainda não tem um, é muito fácil de fazer. Basta ir para a seção Recursos e eu coloco o link lá, Deus lá. E, por favor, preencha o formulário e você o teria se não o fez, por favor, vá lá e faça isso primeiro. O que é, basicamente, dá aos clientes a capacidade de explorar e experimentar muitos serviços da AWS totalmente gratuitos até limites especificados para cada serviço. Agora, ele faz com que esses serviços limitados são fornecidos naqueles basicamente contra cada serviço na página. Se o seu aplicativo que você usa exceder os elementos 3D você jogará simplesmente jogando uma serviço padrão paga conforme o uso, que estão presentes para cada um de nós, mas a boa notícia é que não estaremos excedendo eles. Não usaremos muito esses serviços. Então, se você ainda não fez isso, vá em frente e crie seus 50 ou serviço. Nesta página você pode ver que esta é a base para a Amazon.com cortar alguns desses aprendizado de máquina neste link, não há seção de recursos. Esses são os três Serviços de Machine Learning que você pode fazer na AWS no nível gratuito. Então, é divertido, você tem tradução de texto para fala, rua para texto ou rua para texto ou aprendizado de máquina que você vai fazer, você está tomando três dos serviços mais proeminentes e usando-os. Então você pode ver que temos o Amazon Polly, que basicamente converte texto em fala. Certo? O que quer que seja preciso que sua cobertura possa realmente fazer com que ela viva uma vida como essa. Certo? Como o que você chama, se você tem como algumas ervilhas ou blog, você pode realmente apontar o polígono amazônico vai se converter em como um áudio completamente torná-lo. E o Amazon Transcribe, que é oposto para apenas fala para texto. Certo? Você pode entender que essa ideia realmente faz fala e textura mista. Você tem um vídeo, está indo, ele pode transcrever e anotá-lo completamente. Parece que o McLean é realmente modelos de aprendizado de máquina, mas este é um serviço completamente gerenciado, então você não precisa fazer nenhuma complexidade pouco complicada. Backend. O Amazon Lex é uma caixa de bate-papo, você sabe. Assim, você pode realmente criar sua própria caixa de gráfico, que você vê em sites que deixaram de estar em linguagem natural e entendem o que você quer. automatizada de imagens e vídeos análise automatizada de imagens e vídeos abrange muitos deles lá. Você vai escolher três desses serviços mais proeminentes, que é o Amazon Polly, Text-to-Speech. Amazon Transcribe apenas fala para texto. E o Amazon Lex, IA conversacional para chatbox. E vamos tentar fazer três desses serviços. Então isso é muito emocionante. Vamos em frente para a próxima seção. Começou a construir. Obrigado. 13. AWS Transcribe: Oi pessoal. Certo. Então, a primeira coisa, o primeiro serviço, quero que vocês dêem uma olhada nesta transcrição da Amazon AWS. Então, o que a AWS transcreve em uma frase, é fala em texto. O que ele faz são usos básicos, aprendizado profundo, que se você se lembra de antes, é como um subconjunto de aprendizado de máquina. O que ele faz ele converte fala em texto, seu processo chamado reconhecimento automático de fala. Então, o que ele faz, abre muitas possibilidades interessantes. Se você é um desenvolvedor, quero dizer, você pode ter algumas funcionalidades muito poderosas para os aplicativos, como legendas de vídeo. Se você tiver um aplicativo de e-learning, poderá adicionar legendas a ele. Tudo. Você pode transcrever gravações constantes ou piores para que você possa pesquisá-las como qualquer texto desse tipo. Ou você pode automatizar a realização de minutos de reuniões. Sabe, quero dizer, as possibilidades são incríveis. Portanto, a AWS transcreve, ela é orientada pela plataforma AWS Machine Learning. Então, o que isso significa? Na verdade, fica mais inteligente ao longo do tempo. À medida que aprende no aprendizado, fica mais inteligente ao longo do tempo. Então, vamos fazer isso em ação, na verdade. Então eu, você já criou sua conta da AWS, pois eu quero que vocês façam isso sozinhos em vez de apenas me assistirem fazendo coisas. Que a melhor maneira de fazer algo é fazer isso sozinho. Então, este é um pequeno que fazemos isso nos dias em que eu tomei isso, você encontrará isso como um arquivo MP3 na seção de recursos também. Então, vou recrutar a desomia. Então, vamos ouvir, em 1520 segundos começou com uma pergunta. Então, as equipes parecem criar um objeto composto no universo. Tempo síncrono. Oi, não está mudando. Inteligência artificial. A maioria sobre. Ok, então foram dias bem interessantes. Quero dizer, este é um pequeno clipe midi não-formal da BBC sobre inteligência artificial. Então, como um dual do, isso é bom na seção de recursos também, isso é bastante interessante. Você pode ouvir todo o clipe MP3 se quiser saber, eu quero que você tenha, eu quero converter este vídeo em texto como habilidades em inglês. Então, vamos fazer isso usando a transcrição da AWS de volta IS, então essa é a ideia com o console. Então, vamos transcrever o transporte de glicose. Vamos abrir este estojo. Ok, então existem várias maneiras de fazer isso. Quero dizer, se você quiser, há algo chamado transcrição em tempo real. Então, podemos, na verdade, como você está falando no microfone, ele pode transcrevê-lo, mas eu não quero fazer isso através disso. Vamos fazer isso usando um trabalho de transcrição. Então, queríamos transcrever o arquivo MP3 que acabamos de ouvir. Então, para fazer isso primeiro, você precisa colocá-lo em um bucket do S3. Quero dizer, se você não sabe o que é o S3, é como uma pasta na AWS. É como Dropbox ou OneDrive, alguns slides antes de você ter que criar essa pasta e fazer upload no Embry o arquivo lá. Então eu já fiz isso. Mas só para mostrar a vocês, ela não saberia, ir para o S3. Então eu já tenho um bucket chamado S3 demo, Udemy, AI de demonstração, e eu coloquei dia, você pode vê-los, mas o arquivo já está lá. Então, se tudo o que você precisa fazer é ir aqui, crie um bucket. Você tem um nome para seu balde. Tem que ser caras únicos, apenas para que você saiba e você pode praticamente manter todas as opções verticais padrão que existem. E esse é o arquivo de empatia carregado lá. Então, acho que se tiver um bucket do S3 e colocarmos o arquivo lá. Então, vamos voltar a ele pelo menos transcrito. Ok, então vamos conseguir um emprego para transcrevê-lo. Então, vamos chamá-lo de azul também. Podemos, podemos usar todas as opções padrão, pessoal, isso é foco, pelo menos idioma específico, inglês. Então isso é, sim, isso é muito cansativo onde o arquivo está. Então, vamos procurar o histórico. Sim, vamos escolher este. Sim, este é o arquivo que queremos transcrever escolher. Certo. Então, sim, é legal. Em seguida, há algumas outras opções que você vai contratar de um mundo. Basicamente, não precisamos entrar nisso. Ele pode basicamente manter todas as opções padrão. Ok, então agora você pode ver nossas demonstrações de transcrição sendo executadas para que esse clipe fique por perto como alguns minutos de iluminação. Portanto, pode levar cerca de 15 a 20 trinta segundos de esforço para transcrever. Então, sim. O que você vai fazer é nos dar o que ele chamou de trabalho transcrito foi vamos vê-lo em ação e ver o quão preciso foi. Quer dizer, ele transcreveu os primeiros 30 segundos que se sentem ouvidos e vivendo com quaisquer erros que eu gostaria um pouco, vamos ver o quanto era preciso. Vamos atualizá-lo e ver o estoque. Certo. Está em andamento, pessoal, às vezes leva alguns minutos, taxa de lapso. Certo, pessoal, vamos completar. Ok, então vamos clicar neles e ver o que aconteceu. Vamos descer. Aqui. Está bem. Falador. Então, na verdade, é aqui que a transcrição aconteceu, pessoal. Então, vamos ver. Vamos dar uma olhada no knobby tem que operar na nossa frente. E se você se lembra do que os vídeos, então o que faz AIA? Tinha uma frase com ele colocava um espaço comigo. Ei, vamos começar com uma pergunta agora que você pode ver, então é surpreendentemente preciso até as pausas em frases. Eu recomendaria, eu recomendaria ler isso e depois ouvi-los lado a lado. E, em seguida, comparando os dois para ter uma ideia disso, como era preciso. Portanto, disponível, é claro, você agendaria os trabalhos para executar eventos específicos de negócios ou períodos de tempo ou não faria EPS de outros serviços. Eu recomendaria que vocês joguem com isso com alguns outros arquivos ainda, entendam como ele funciona e me avise. Então, espero que você tenha uma boa ideia de como funciona e quão preciso é. Como um loop do. Isso abre muitas possibilidades. Quero dizer, você pode transcrever call centers. Você sabe, as pessoas querem procurar por suas gravações de call center ou querem automatizar minutos de reuniões, tudo o que você pode fazer. É uma densidade muito poderosa. Você pode ver o quão fácil é. Então, espero que isso tenha sido útil para vocês. Vejo você na próxima demonstração. Obrigado. 14. AWS Lex: Olá pessoal, bem-vindos à nossa última demonstração do Amazon Machine Learning Services. Então, vamos fazer uma demonstração do amazon Lex, esse cronômetro, que é um pouco mais complexo do que os dois últimos. Então, até agora, fizemos texto em fala e fala em texto. Então, vamos tornar algo mais dinâmico desta vez, o que faz muitas dessas coisas juntas. Estou, estou absolutamente 100% certo de que você deve ter interagido com chatbots ao mesmo tempo. E quando você visita um site, você sabe, o que é um bot de bate-papo é basicamente um programa de aprendizado de máquina que estimula uma conversa que você pode ter no telefone, ao balcão com a pessoa, mas não é uma pessoa com quem você está interagindo com máquinas virtuais. Então, amazon Lex, ele usa aprendizado de máquina que reconhece fala ou texto, e pode realizar ações. Ele pode atender pedidos com base no que o cliente falou ou escreveu. É a mesma tecnologia que segue o elixir da Amazon também. E você pode criar chatbots extremamente poderosos para você de habilidades técnicas mínimas de obstetrícia. Então, vamos realmente ir até o console da Amazon e começar a trabalhar nele. E eu vou te ver lá. Certo, pessoal. Então agora o cabelo no console, vamos para a amazon, Lex. Certo, aqui vamos nós. Ok, então isso não vai regenerá-lo. Então, às vezes, os serviços que você está olhando, não estão nas regiões. Então, estou atualmente no leste de Ohio dos EUA e vamos para Londres. Certo. Então, este é o Amazon Lex. Vamos começar agora. Certo. Então você pode ver algumas coisas aqui que você pode parecer confuso inicialmente, amigo, eu vou explicar. Então o zoom quer descascar, vamos supor que queremos criar um quadro-negro para outros hambúrgueres, certo? Então, o que um recuo pretende é basicamente o que ele queria fazer. Quero pedir falso. Quero reservar um voo ou reservar uma viagem. Certo. É isso que é a intenção. participação é o que o usuário diz. Tipos, como nosso caderno, quero pedir um hambúrguer, quero reservar um hotel, quero reservar um voo. Slots são basicamente os parâmetros que você dá, vão dar um vídeo ao vivo. Que tipo de hambúrguer, que horas? Esse tipo de coisas. O cumprimento acontece no final. Isto é o que depois de tudo ter sido feito, coloca o outro. Certo? Então, isso é basicamente, são apenas nomes diferentes para coisas, mas é praticamente a mesma coisa. Então, você sabe, a Amazon já predefiniu muitas dessas caixas de amostra. Então você não precisa realmente fazer nada. Você pode apenas fazer algo predefinido, mas eu quero fazer isso sozinhos. Então, vamos fazer isso como um lev, criadores simples que vários compraram, o que não pode, vamos pegar um pedido para hambúrgueres mais estudante ou hambúrgueres, isso é um MFA, mas vamos pegar inglês, Reino Unido. Ok, ela está saindo de maneiras. Podemos continuar a Amy. Olá, meu nome é Amy. Certo. Esse é o tempo limite da sessão após Richard levantar seu usuário não está na vertical. Sem respostas aqui, ele irá redefini-lo. Portanto, essas são todas as opções padrão, copays basicamente, se você estiver tomando algumas informações confidenciais sobre menores e tudo isso. Então, não, não é. O limite de confiança está sendo aumentado basicamente recuado. Quanta inteligência é fácil de discernir o que o usuário é o mesmo com o legado agostiniano. É basicamente quanta confiança em detectados eles o usam como regra. O usuário está dizendo, é, está perto do que pensamos? Ele está dizendo? Basicamente, a inteligência que ele usa. Ok, então o que resta agora? Vamos nos desdobrar. Certo, o que resta agora? Acho que colocamos tudo aqui. Tempo limite da sessão. Certo. Cinco minutos. Sim, desculpe, esqueci de colocar o temporizador da sessão. Ok, vamos em frente e criá-lo agora. Ok, então, como eu disse, primeira coisa é criar a taxa pretendida. Criamos essa fronteira ou o que você quer fazer? Como eu disse, queremos pedir hambúrgueres. Sua escala expandida da pálpebra. Então, vamos fazer isso. Crie conteúdo. Sim, eu quero criar uma intenção. Então, o documento com o mesmo nome da ordem da garrafa. Certo? E tudo bem. Então, tudo bem, aqui você se pergunta o que o usuário, mas a sala. O que você acha que o usuário digitará um novato para iniciar o quadro? Então, o que quer que você esteja detectando o que eles fazem, algum nitrato ou assassinato. Eu quero sim, você pode continuar adicionando o quanto quiser. Senhorita OK. Ok. Ok. E agora um lado de desalojamento, o que fez os miliwatts, a informação que você vai estar marcando do usuário na verdade. Então, vamos pensar em engajamento. O que você quer? Se o cara disser, quero um hambúrguer primeiro, o que você vai perguntar a ele? Você vai perguntar que tipo de programa? Isso é o que vou perguntar a ele sobre isso, pois o bot vai perguntar. Então, isso é basicamente o tipo de dados. Então, vamos apenas clicar em alfanuméricos. Ele tem muita Amazon predefinida. Você pode ver e-mail, números de telefone, hora , data, é bonito, é muito bom no Sr. Gardner. Certo. Que tipo de hambúrguer? Desculpe. Desculpe, só para ser hambúrguer. Burger. Este é um, este é, na verdade, o nome do slot, não prompt. Este é o prompt. Certo. Então, tudo bem, depois de ter tomado o tipo de bugger, podemos perguntar sim, a taxa de localização. Não sabemos onde o cara está. Então, vamos pegar a cidade. Isso é o que ele vai perguntar. Certo. 99. Mais uma coisa. Certo. Você teve o escoamento direto ou entregue todos os dias. Então, acho que a Amazon já tem dados de API ou taxa de desvio. Sim, morrendo. Sinto muito. que horas? Entrega? Sim. Acho que isso é uma perna só para uma simples auditoria. Acho que isso é mais do que suficiente para não ficar muito técnico sobre isso. Agora, todos estes adequados mais tarde, vejo que apenas um está verificado agora queremos todos eles. Sim, o primeiro será que tipo de vulgar? O segundo seria a prioridade. Se você olhar para as proteínas é a sequência em que as duas últimas perguntas. Primeiro, a prioridade é um tipo de segundos falsos, a localização. Terceiro é esse tempo. Certo? Solicitação de confirmação. Isso é basicamente sim, você tem certeza que deseja pedir. Então, basicamente, eles têm certeza de que deseja restaurar o pedido? Sim. Conselho, se o usuário disser que não. Certo. Agora, o filamento é basicamente uma vez que você pegou tudo como eu disse , fazendo o pedido, agora não vamos olhar para sua lógica de negócios. Obviamente. Nós vamos salvá-lo e para cima em biomarcadores de volta para o usuário. Mas não vamos apenas montar alguma mensagem genética do lado esquerdo aqui. Ok, então quando ele for, deixe obrigado. Seu pedido para vamos ver, então você quebrou números de baldes e basicamente o que você está tirando do slot aqui, você está sob preenchido dinamicamente. Slot. Para o primeiro slot foi listado, entregue a localização na parte literária abaixo. Certo. Então eu acho que isso é mais do que suficiente. Contemple apenas clicando. Vamos ver. Esperemos que eu não tenha enganado algum método. Vamos construir o fundo dele. Veja o que acontece. Sim, vamos construir um bot. Vamos ver. Opa. Nenhum valor para curva de instruções rejeição e reject statement.me, inválido. Certo. Vamos ver o que aconteceu vai. Certo. Seu pedido foi respondido. Acho que eu acho que esqueci de colocar o radical. Se essas contas são filha. Não havia outra declaração lá. Vamos construí-lo novamente. Certo. Está se acumulando para algumas coisas assim, o que está acontecendo? É como se você construiu algum programa ou um programa de computador está basicamente compilando o fundo, ok, tudo foi colocado lá. É basicamente construí-lo no back-end e criar o bot pronto. Certo. Existe algum não. Ok, então agora você pode realmente adicionar a tela certa. Você pode ver que isso é o que ele chamou de bot agora está pronto para interagirmos apenas completando as contas que ele levou à construção completa. E então você pode realmente conversas na área com ele. Vamos ver. Portanto, devemos ser capazes de fazer um pedido de um hambúrguer e obtê-lo refletido de volta ao cliente se você tiver configurado corretamente. Ok, então agora está pronto. Pessoal, vamos ver. Certo. Vamos ver. Vamos colocar que eu quero tudo bem. Que tipo de hambúrguer? Você pode ver agora que você pode ver que existem slots abaixo. Está verificando o que eu quero dizer. Certo. Onde você mora? Eu moro no corpo. A que horas você quer entregar do que bm? Sim. Essa é a coisa de conformação que colocamos, sim. Sim. Certo. Para isso aconteceu , mas eles não mostraram as mensagens de confirmação. Você colocou um interessante o suficiente Vamos ver o que aconteceu. Resposta. Acho que não salvei isso, infelizmente. Ok, meu engano pessoal. Esqueci de dizer isso porque esta é uma mensagem muito genérica que você quer. Não há OK. Obrigado. Meritíssimo. Pois vamos colocar uma lista de tipos. Certo. Certo. Sim. Porque queremos essa mensagem para cada um no distribuidor local. Obrigado pelo pedido de tipo nos abençoou com dielétrico. Acho que diferencia maiúsculas de minúsculas, também listou cada int e defina a visualização. Então agora a resposta aos fundos do cliente ao cálice, mas para ser mostrado não apenas genético. Vamos trabalhar bem. Eu não quero isso. Quero que seja personalizado para o usuário porque não vai usar um fungicida. Mas sempre que você fizer um caso de mudança, você precisa construí-lo novamente apenas para que você saiba. Vamos ver se estou me beneficiando no módulo de brilho insípido. Certo. Vamos começar de novo. Ok, então é o limite novamente, basicamente detectar por aqueles divertidos pouco de tempo porque está compilando a casca do zero novamente e basicamente verifique para que todo o fundo não faça qualquer coisa. Só à esquerda. Certo. Amor em Londres. E a BM? Sim. Certo. Bom. Agora você pode ver o patrocinador do cliente não deu a linguagem genética que não queríamos. Então isso não é pessoal, você criou seu próprio bot e é muito, muito poderoso. Você pode, você pode personalizá-lo o quanto quiser. Claro, a webcam de força de vontade convencerá que você a integra com alguma lógica de negócios escolha deve escolher transtorno e basicamente pegar todos esses parâmetros e colocar um líquido em um sistema de restaurante e, portanto, o pedido vem diretamente. Mas agora você criou seu próprio bot. Deve ter sido coletado com ele um pouco hoje. E se você vir isso, você pode colocá-lo no Facebook. Você pode colocá-lo no Slack. Esses dois não usaram, mas na verdade só pode monitorar essa caixa também quantas solicitações chegaram e há um problema. Então este é o poderoso sobre que SHE usando todo o processamento de linguagem natural para basicamente interagir com os usuários. E se você colocar às vezes felizmente você pode realmente verificar, eu quero que você verifique como o bot intelectualmente, se você acabou de colocar algo que gosta de confuso, se eu coloquei algo que eu não coloquei. Sim. Você pode ver isso? Então, desculpe, você pode repetir isso, menos claro isso novamente. Vamos colocar algo que não vou verificar o contexto do que estou fazendo. Certo? Sim, você vê, na verdade está dentro, eu não coloquei um desses enunciados, eu coloquei outra coisa, mas entendeu. Então, isso é muito poderoso. Eu queria realmente envidraçado, quero que vocês dêem uma olhada nele, entendam como funciona e criassem sua própria caixa. Isso é de qualquer um, isso é muito mais complexo do que o que usamos antes. Então, espero que você tenha gostado e olhe e OPIA, isso tira parte da confusão que aconteceu antes com a caixa de ferramentas dos deuses. Por enquanto, quero que você crie seu próprio quadro personalizado. Me avise. Obrigado. 15. AWS Polly: Olá pessoal, Bem-vindo à segunda demonstração do AWS Machine Learning. Então, nessa família, vamos examinar outro serviço chamado Amazon Polly, que é exatamente o oposto da transcrição da AWS. Então, em vez de falar em texto, estaremos fazendo texto em um discurso realista. Então, o que essa política de polítopos aprendizado de máquina poderia sintetizar sons de fala muito naturais e você pode fazer aplicativos que basicamente falam ao usar sintaxe de poli que, mas a pontuação em um texto você pode ser como se você tem o que ele chamou de vírgulas ou alimentos que é realmente usado para pistas para analisadores e livros Casos de uso laminar para isso é muitos para mencionar. Quero dizer, se você, se você criou um site ou um blog, você pode basicamente ter poliploide estranho que você levou aos seus visitantes. Ou, se você tiver um e-learning up, você pode converter material de curso divergente em custos totalmente orientados por pedidos. Ou talvez você seja uma taxa bancária. Você pode ter poliploidia e resposta de voz interativa. Então, quando o cliente solicitou mediante polígono balanceado ele não reproduziu automaticamente para seu cliente, mas interação humana. Então, espero que você tenha a ideia. Então, vamos criar algum texto para isso e verificar como ele funciona. Então isso é apenas algo que eu escrevi pessoal e quero dizer, você pode basicamente. Eu só pensei nisso agora na hora. Eu só quero colocar isso na Amazon, Polly, e confira. Flexigurança, extremamente simples. Vejo você no console da AWS. Certo pessoal, tão pesado. Então, ao contrário do cuidado transcrito, não precisamos ter um bucket do S3 ou algo que deva ser bastante simples com o volume porque minha intenção é apenas mostrar como ele funciona. Então, vamos para a Amazon. Polly, aqui vamos nós. Agora, ok, tão facilmente, como eu disse, é muito, muito simples aqui. Você pode simplesmente colocar as coisas aqui e o que ele chama de serviços repetidos. Meu nome é John Allen Wilson livro didático. Olá. Meu nome é Joanna. Vou ler qualquer texto que você digitar aqui. Certo, isso foi muito bom. E você pode ver que você pode realmente mudar isso de masculino para feminino e tudo isso. Olá, sou Matthew. Vou ler qualquer texto que você digitar aqui. Certo. Então, vamos colocar a arquitetura. Olá a todos. Esta é uma demonstração do Amazon Polly para seu curso da Udemy. Polya está convertendo esse texto em fala com base nos parâmetros que você definiu para mostrar como os serviços de IA da Amazon funcionam. Você pode usar isso para criar resposta de voz interativa para call centers e outros aplicativos com base em seu caso de uso. Ou você pode usar o Amazon Polly para criar arquivos de áudio de blogs ou sites. Espero que isso tenha sido útil. Adeus. Ok, vamos levá-lo através do desperdício humano feminino. Olá a todos. Este é um gentil da Amazon Polly, para o seu curso da Udemy, Polya está convertendo esse texto fala com base nos parâmetros que você definiu para mostrar como os serviços de IA da Amazon funcionam. Você pode usar isso para criar resposta de voz interativa para call centers e outros aplicativos com base em seu caso de uso. Ou você pode usar o Amazon Polly para criar arquivos de áudio de blogs ou sites. Espero que isso tenha sido útil. Adeus. Ok, você vê de repente você pode verificar a precisão da taxa de dois sorteios. E mesmo que você possa colocar léxico, o que eu léxicos talvez em alguma pronúncia, alguns pássaros que eu pronunciei de forma diferente. Algumas palavras estão lá que não são pronunciadas da maneira que você quer ter gírias e vocabulário, você pode realmente carregá-las aqui e ele vai lê-lo e mudará esses virtuais como você quer que seja pronunciado. Então, é bem simples, pessoal. É como se fosse muito mais simples do que a transcrição é simples. Eu quero que você brinque com ele, confira e veja como funciona. Certo. Obrigado. 16. Resumo: Oi pessoal. Então, finalmente chegamos ao final desta seção, e espero que você tenha gostado. Encontramos o aplicado o que aprendemos em teoria na prática terra implementou esses conceitos também. Por isso, criamos uma máquina ensinável do Google de modelagem de aprendizado de máquina, que entre diferenciar entre diferentes tipos de objetos, imagens. E eu lhe dou algum dever de casa para fazer o, usar um pouco de áudio, usar o simples assim e ver, você é capaz de obter um bom modelo de aprendizado de máquina? Um modelo. E, por fim, usamos um Amazon 50 ou serviços para aprendizado de máquina para transcrever dados de áudio, reconhecimento de fala e criar chatbots de conversação, que usam processamento de linguagem natural para levar pedidos, vão usar todos esses serviços gratuitos. Você realmente implementa alguns serviços básicos de EI? Espero que isso tenha ajudado a solidificar os conceitos que você aprendeu anteriormente e agora você tem uma melhor compreensão do A1 antes. Agora vamos passar para a última seção que você aplicou tudo. Obrigado. 17. Por que a governança é necessária ?: Oi pessoal. Bem-vindo à seção que é uma parte extremamente importante dos esporos, que pertence à inteligência artificial, governança e padrões, e mais especificamente como a IA pode ser mal utilizada. Agora isso pode parecer um pouco confuso porque como ele pode ser mal utilizado? Você pode estar perguntando, bem, o triste fato é que o olho é IA é como qualquer outra tecnologia a esse respeito. Sempre haverá pessoas que tentarão explicar tecnologia e música para atividades antiéticas. E vamos dar o exemplo de, digamos, a Internet. Agora, a internet é como um grande avanço tecnológico para a humanidade. vida de milhões e milhões de pessoas mudaram para uma diagonal. Mas só, você sabe, quantos cibercriminosos tomaram. Todo o conceito deles de cibercriminosos que realmente decolou por causa da Internet e como eles levaram com eles, aproveitou-se disso. Assim como qualquer outra tecnologia, IA também é assim e pode ser mal utilizada. E assim, para que essas coisas sejam controladas e precisamos ter algum tipo de som de regulação de nossos padrões para IA. Então, por que você acha que eu preciso ir ou não? Vamos ser honestos. Ninguém gosta de regulamentos, certo? Estou pensando, especialmente em tecnologia da informação. Geralmente parece ser um bloqueador para geração. Parece algo que sofre impeachment crescimento, inovação e tecnologia. E a IA historicamente era uma indústria autorregulamentada. Havia, não havia muita regulamentação. Os governos não escolheram muito. Ele custou inicialmente. E o que aconteceu foi quando muitas coisas acontecem, adoção em massa de AIs de repente começou. Covid-19 foi um divisor de águas para muitas empresas em todo o mundo. E ele angula um deles. Muitas empresas, o que eles fizeram foi acelerar a taxa de roteiro tecnológico. Eles serão adotados acelerados para a nuvem. Na verdade, acelerou a adoção também da digitalização, do comércio eletrônico e da IA. E a empresa está realmente relacionada. Não pode ser como, assim como a eleição nórdica do Velho Oeste está presente e eles lançam para que os sistemas de IA sejam confiáveis pelos clientes, você precisa ter uma ampla estrutura regulatória para ser presente. E é isso que a pergunta entra. Agora, confie, como você mede a confiança dele e do sistema VA? Porque Mike misto parece ser algum tipo de paradoxo aqui, certo? Sim, não é como os humanos, como o ovo não tem emoções como diz um império. Então, ali mesmo, conceito de comando de confiança. Agora é aqui que surge a coisa interessante. Agora me dê qualquer viés. Essa é uma boa pergunta a porque os humanos têm viés, certo? Humanos ou preconceitos, não humanos é completamente objetivo. Isso é o que pode obter algum tipo de subjetividade, mantém-se honestos, e é por isso que precisamos de cheques e saldos. Então, o fato triste é que você se lembra do que, como a IA funciona como se precisasse fornecer dados de treinamento além da base da qual ela começa a coletar dados e entender todos os conjuntos de dados que você está alimentando. Não vieses durante a coleta de dados de humanos. Droga, mantenha em Belgrado, resume a isso que se, vamos dar um exemplo, você, você está criando um algoritmo para reconhecimento facial. E os dados de negociação que você os alimenta. Ele não está representando todos os grupos. Então, digamos que os dados de treinamento que você deu, são 75, 75% de rostos masculinos e apenas 25% do sexo feminino. E de todos eles, 80% do total de rostos você encontra uma demonstração por pessoas e apenas 20% são negros. Agora, o que você acha que vai acontecer? Você acha que o modelo reconhecerá pessoas brancas e homens melhor? Claro, uma boa luz porque os dados de limpeza não eram uniformes, não era justo. Você não deu a ele todos os dados necessários. Então, vamos dar um exemplo. Agora isso não machuca nada. Foi como Kim e eu colocamos os links abaixo e você pode verificá-lo. Os anúncios do Facebook são muitos deles. Descobriu-se que era discriminante por gênero e raça. Então, o que estava acontecendo era como quando se trata relacionar empregos de enfermeiros e secretários perdidos. Estava visando um nó descendente, de família para mulher. E se fosse localmente em empregos, não, como taxistas de alguma coisa, era principalmente enviá-lo para minorias. E eram empregos bem remunerados como, você sabe, como vender uma casa ou algo assim. Estava visando pessoas brancas. Então, o que aconteceu foi, como eu disse, esses são os vieses no meu algoritmo naquele reptiliano de fevereiro por causa dos dados de treinamento que foram preenchidos. Agora isso também foi algo muito incrível. O viés racial para eles e o melhor bar musical de saúde vem e o que não aconteceu sabe este hospital estava tentando encontrar pessoas que precisariam de cuidados médicos mais direcionados. Eles correm um risco maior. E o que não era a segmentação com base em quanto eles estavam gastando. Neste momento, o que aconteceu foi os negros tinham mais problemas médicos, mas eles estavam gastando menos. Pessoas brancas, brancas e brancas estavam gastando mais. Então, com base nisso, esse algoritmo decidiu que os negros precisam de tanto atendimento médico quanto os brancos. E não começou, e começou, acho que pessoas brancas baseadas nisso. Então você vê como isso aconteceu, certo, condenando a desigualdade de renda. Aquela coisa aconteceu. E este foi um caso muito famoso e foi onde estava nas notícias predominantemente também, um sistema de justiça dos EUA bastante famoso chamado bússola, que descobrimos que era realmente tendencioso para os negros. E isso você mais detalhes nos próximos slides, mas espero que isso lhe dê uma ideia. Ai pode ser preconceituoso, na verdade, não é completamente objetivo se você não tratá-lo corretamente. Então, isso é quantos? Este é um exemplo que eu estava falando. Esse sistema era chamado de bússola. Portanto, este é um exemplo real em que preconceitos e inteligência artificial podem causar danos. Para relaxar as pessoas realmente gostam danos, deixamos consequências para pessoas que podem ter um impacto duradouro em suas vidas. Bússola era um sistema usado nos Estados Unidos. O que ele usa ser útil? Ele estava sendo usado pela consulta, pelo sistema de justiça para prever quais humanistas provavelmente reofenderiam. Ok, como vamos lembrar qual era a probabilidade de eles cometerem crimes? Novamente, com base em avaliações, o juiz tomaria os juízes tomariam decisões quando tudo, desde a quantidade de GLD que as pessoas compram, o valor da fiança. Então você pode imaginar como se a vida das pessoas estivesse sendo impactada e o que aconteceu? Bem, eles descobrem que havia um viés contra negros melhor do que esse algoritmo. Então, os negros, dando-lhes, dando pontos mais altos que eles foram, havia uma chance maior de serem maiores riscos de reofender, apesar do fato de que, da mesma forma, eu gosto pessoas brancas que tinham antecedentes criminais muito maiores, eles estavam recebendo pontuações baixas e baixas. Como você pode ver aqui à esquerda, que essa pessoa, Bernard Papa, ele tinha muito poucos benefícios, é muito pequeno, significando ofensivo, mas o cara branco, mas como antecedentes criminais bastante significativos. E você pode ver, mas o nível de risco está completamente distorcido. E o negro recebeu um alto risco ao contrário do cara branco. A mesma coisa no lado direito. Durante o início Robert Kennedy pode ver. Então Robert Kennedy estava implorando ofensa, mas Becky triptofanos e nenhuma ofensa subsequente lhe deram sua voz era seis. Embora pareça realmente ter sido carregado porque clique para que você possa ver como isso estava acontecendo. O que aconteceu foi que os dados estavam sendo amarrados aos questionadores. Eles estavam sendo feitos 137 perguntas com base nas quais o sistema estava dando a pontuação. E não estava levando em conta todas as coisas diferentes que para conselho deles e tudo isso. Então, com base nisso, houve, na verdade, acredito que havia uma organização sem fins lucrativos chamada ProPublica. Eles destacaram isso e também se tornou um grande escândalo para essa empresa. E o relatório é publicamente, está disponível publicamente. Você pode baixá-lo. Então você pode ver agora, espero que você possa ver quais são as diferenças. Não se você for um juiz e estiver avaliando um Ts, certo? E se um cara vem até você, mesmo que o cara não tenha feito nada significativo antes, mas se ele tiver um alto risco de 10, você não acha que isso vai impactar você subconscientemente, esse viés virá e você pode dar eles uma pena de prisão mais alta ou algo assim. Agora espero que isso lhe dê uma compreensão de quão perigoso é e o quanto isso pode impactar você. Então, vamos ver o que podemos fazer sobre isso, ok. 18. Tipos de regulamentos de IA: Olá pessoal. Então, nesta seção, como discutimos antes e eu mostrei a você como os sistemas poderiam acidentalmente ter preconceitos como um rastejado neles por causa dos dados de negociação e dos vieses que representavam os dados que aspiram a isso. Então, a questão agora é como criamos confiança? Nem a sociedade, devemos sempre nos esforçar para desenvolver uma tecnologia de IA que seja completamente justa para todos. E mesmo quanto às empresas, como à medida que você se torna mais e mais inteligência artificial em terra ou aprendizado de máquina , você tem que lidar com isso. Então você vai desenhar, você pode imaginar o que aconteceria se você estiver usando um e os trouxe para o sistema de IA. E acontece que está discriminando certos clientes. Então isso será uma enorme repetição de volta para você e devolver as pessoas ou informá-lo. Então, o que precisamos para criar confiança? Agora, como criamos confiança? Bem, a crosta depende de quatro coisas que são integridade, explicabilidade, justiça e, recentemente, não é. Vamos ver o que aconteceu. Bem, o que isso significa? O primeiro termo é integridade. O que você quer dizer integridade do seu sistema em simplesmente colocar, isso é como verificamos uma casa, certo? Se você comprar uma casa, eu precisava ter um cheque para verificar as fundações para garantir que ela seja forte e resistente. A mesma coisa assim. Você precisa verificar o que a definição de dados de treinamento alimentou no sistema? Quais são os controles sobre esse joelho? Como foi construído? Ei, como vai isso? Nossa, algo do início ao fim para que nenhuma mudança esteja acontecendo em um algoritmo não está sendo alterado e o monitoramento contínuo dele. Então isso é integridade, explicabilidade. Bem, isso é bem simples. O que significa que você deve ser capaz de explicar? A razão é que um modelo faz uma produção específica e você deve ser capaz de entender que os resultados não devem ser uma caixa preta para que ninguém saiba como eu fiz isso. Eu tive uma decisão comutativa, mas particular. E isso é essencialmente para custar, especialmente se você for tomar decisões com base nesses atos, Richard Gibbs. Então você precisa ser capaz de explicar por que e como um lema produziu uma saída. E ele deve ser capaz de fazer o que nos foi apresentado nisso, isso é muito explorabilidade surge. Equidade, isso não é chamado de vento e fatia de tecido Oracle ou você quer confiar em qualquer taxa sistêmica se eles não forem justos? Portanto, ele deve ser construído para ser o mais livre possível de viés para que você saiba quais são os dados que você alimenta. Ele precisa ser relevante, apropriado e deve ser permitido pelas pessoas ser curto. Então, vamos dar um exemplo. Se você é comprado pela EIA, a Occam é como dar escolas às pessoas e com base em um curso para coordenar, já que não, desculpe, digitalizador cognitivo pobre e eles não poderão pagar o empréstimo de volta. Então isso é um viés, certo? Portanto, você precisa desenhá-los e precisa monitorá-los continuamente para garantir que eles não tenham vieses rastejando nos dados de treinamento. E resiliência. resiliência é a robustez técnica e conformidade em outra segurança, o gerenciamento de riscos. Ninguém está tentando comprometer o algoritmo e enlameado de qualquer maneira, alguém está tentando gostar quais efeitos controla, você sabe, sistemas de IA devem ser fortes o suficiente para resistir de tal forma que x, isso é y foi contra complexo. Então, esses são os quatro atributos quais estamos falando. Então, espero que você entenda se o seu sistema AIE está atendendo aos requisitos esportivos, então você pode ver, se você perceber que isso acontece, ele deve retrospecto. Agora, como conseguimos, Qual é o mecanismo? Mas em todo o mundo, as pessoas estão recebendo regulamentos em todo o mundo. E eles geralmente são baseados como se fossem coisas que os Emirados Árabes Unidos, coisas nos EUA e do outro lado da fronteira, você vê muitos e muitos governos limpando suas coleções. Então, uma coisa que apesar de significativos em 23 de abril de 2021, o que aconteceu, a primeira proposta concreta, EIA foi santa como um projecto que fui criado pela União Europeia. E isto é, é provável que isso realize efetivamente as costas e o debate sobre inteligência artificial e a lei. Muitas empresas, sejam pequenas e grandes empresas, dificilmente usarão inteligência artificial como você pode passar por ela. Então, se você está familiarizado, gdpr, o GDPR era um Regulamento de Proteção de Dados. E uma vez em grande parte, rapidamente se tornou o padrão global de como outras nações estavam olhando para ele como um plano. Então, a mesma coisa acontecerá aqui também. Isso é praticamente esperado porque o GDPR dá o tom para o mundo inteiro. Da mesma forma, esse reconhecimento poderia dar o tom para o mundo inteiro. Isso provavelmente entrará em vigor em um segundo após 2022 em um período de transição. Então você pode imaginar na segunda metade, digamos, 2 mil créditos por isso é, você pode começar a entrar em vigor e executar, se quiserem, o mecanismo dessa coisa entrando em jogo. E daí, o que esse sonho de fazer exatamente? Então, basicamente divide os sistemas que poderiam levar categorias misturadas pessoas com alto risco e limitados e os sistemas de cuidados ilimitados nos dois últimos, eu gosto praticamente o mesmo. E é assim que eles querem ser quando ele ligou classificar e lidar com os I-Systems. Então, três níveis principais que eles dividiram, negligenciaram certos riscos aceitáveis, alto risco e limitados com infinito. Um risco aceitável é basicamente sistemas que são considerados como uma ameaça à segurança e aos meios de subsistência e direitos de pessoas que simplesmente regulam bancos de simplesmente média de rebatidas, que é como uma tolerância zero, esse tipo de coisas. E o limitado e o mínimo eram homossexuais. Eles são simplesmente pequenas coisas que estão usando Gately mantendo sua pasta de spam, você sabe, ele usa aprendizado de máquina para saber quantas imagens estão chegando apenas a extensão. Não diz respeito ao foco principal na hidrosfera. O que eu também gostaria basicamente, é uma definição de alto nível, como um sistema entre avaliar para ver o cliente, dignidade do crédito ao consumidor ou a identificação biométrica mágica crítica, como esse tipo de coisas. E esses estarão sujeitos a obrigações muito rígidas que antes de poderem ser colocadas no mercado, você terá avaliações de risco acontecendo. Os conjuntos de dados que precisamos realmente curar. Você precisa fornecer informações a serem usadas, como isso está acontecendo. Você precisa ter supervisão humana sobre isso e destacar a robustez de segurança e precisão. Então, como você chamaria o quê? Bem, se você desenvolver um sistema de IA, ele precisa examiná-lo como algo chamado avaliação de conformidade. Então, basicamente o que ele faz, deixa alguém com documentação técnica e a qualidade do sistema para que ele esteja em conformidade para voltar a nação. E se isso acontecer, ele fica registrado e o que você vai ser colocado no mercado? E então, supondo que algo mude, algo muda a empatia um sistema do que você precisa para voltar completamente e nós o certificamos por isso, todas as coisas que você mencionou sobre justiça e integridade e todas essas coisas, elas seriam realmente se tornando um mecanista. Então você pode ver esse regulamento roxo no secretor globalmente. Então eu espero que vocês entendam agora caras, como o que ele chamou de riscos que são atualmente um sistema e quão dominantes em todo o mundo e o pudim e medidas e colocá-lo no etapas para garantir que os ecossistemas possam ser confiáveis. Obrigado. 19. Maneira para frente para você: Oi pessoal. Então agora finalmente chegamos ao final deste curso e esta é a nossa seção final. Espero que signifique que eu só viaje. E você ganhou como uma compreensão completa dos conceitos básicos de inteligência artificial e aprendizado de máquina. Então, agora a pergunta de US $1 milhão é o quê? Não, onde vocês vão de lá e construam sobre o que aprenderam neste curso. Então, se você quer seguir uma carreira, um poço, a boa notícia é que você escolheu uma pessoa profissional, o que não é uma demanda enorme. Mesmo com a pandemia destruindo milhões de empregos. Você tem um grande gigante investindo pesadamente em IA. Você tem globins investindo suas startups indistintas. Espera-se que até 2030 1 terço desse livro nos EUA seja substituído por automação e robôs. Então, quero dizer, isso é como se houvesse algo que eu tirei do LinkedIn. Quero dizer, o trabalho número um mais procurado foi especialista em inteligência artificial contratado como um crescimento anual de 74%, o que é absolutamente incrível. Então, novamente, alguma análise de doutrina. Gardner, como eu disse, nem mesmo 2030, que como eu gosto 2024 gosta de 32 quartos de empresa e operacionalizar a. Então a boa notícia é que se você quer seguir uma carreira na EIA, as boas notícias é que você escolheu uma profissão que significa demanda. Certo? E na seção de recursos, coloquei um link para um estudo recente governo do Reino Unido sobre como, como crescer a indústria de inteligência artificial no Reino Unido. E não é só que você entende que isso está acontecendo praticamente em escala global da Europa ao Oriente Médio. Além disso, basta saber que a União Europeia é porta para a proposta de regulamentação da EIA, que é o primeiro quadro jurídico sobre a, que aborda os riscos da capacidade da IA quando I CA não está indo em qualquer lugar, os caras são bons. É uma boa notícia. Estamos vendo quais são as más notícias? Bem, as más notícias, eu não sei se você pode chamar isso de más notícias, mas apenas algo que você tem que ter em mente. É um campo muito técnico e você precisará se aprofundar em alguns assuntos técnicos, como programação e ciência de dados. Se você quiser criar seus próprios modelos de aprendizado de máquina , e honestamente, se você quiser fazer algo de valor NEA, essa é a natureza da besta, isso é a IA. E não há como pular disso. Se você quer se tornar um engenheiro de IA ou um cientista de dados. Coloquei em que, na minha experiência, que tipo de habilidades você precisa seguir. Veja a tela, sim. Em seguida, inúmeros programas de pós-graduação, bacharelado e mestrado disponíveis universidades e instituições credenciadas, que podem levá-lo do zero e você pode realmente aproveitar as habilidades. Então, se você está interessado em habilidade e isso é ótimo, você sabe, muitos desses programas não estão disponíveis. Enquanto atrás você tinha que realmente era como se um programa realmente especializado com o conhecimento se tornasse muito mais comum. Portanto, é muito mais fácil seguir uma carreira adequada. E agora mencionei linguagem de programação. Então essa é a pergunta que me fazem muito a dizer. Se eu me der certo, quero buscar a IA e quero pegar uma linguagem de programação e em qual devo me concentrar? Bem, existem inúmeras opções disponíveis para inteligência artificial, mas minha recomendação é quase sempre comprar. Há uma razão pela qual é a linguagem de codificação mais popular para aprendizado de máquina. A razão para isso é que ele está cheio de 316 passivos. Então você já muito trabalho foi feito e pode ajudá-lo a começar a correr. E é muito simples de entender por Ethan sempre foi popular, serei honesto, mas com IA e aprendizado de máquina, realmente decolou. É definitivamente, eles serão como não. Outro é a lista. Mas é uma opção, mas toda a água, a maioria honestamente não está presente em Python. Não é tão amigável quanto o Python. É tudo que não tem o número rico de passivos que a exciton tem. Java também é bastante popular e é um forte candidato contra o Python. Também será como valores e fácil de usar. Acho que qualquer um que trabalhou em uma grande organização já experimentou um dólar. E o último, se você é um triturador de números, então r, que é uma linguagem emergente. Pode ser para você. Tornou-se muito corretamente com eles porque é bom para análise estatística. E é ainda melhor que Python quando se trata de trituração de números. Ele tem um suporte muito poderoso para mineração de dados e análise avançada de dados. Há outra linguagem também como C plus prólogo e eu posso continuar e continuar sobre isso. Mas se você quer honestamente meus dados de opinião, então você realmente não pode dar errado com Python. E há uma boa razão, não é um rastreamento de momento para profissionais de IA. E, em seguida, vários cursos disponíveis, você pode levá-lo e você pode obter uma base muito boa sólida para começar uma carreira em ai. Certo, isso foi apenas um guia. Só para ajudá-lo a começar o íon iniciando seu Acharya, o que fazer? Então, acho que chegamos a uma conclusão. Agora. Vejo você lá. Obrigado. 20. : Olá a todos, e parabéns, Obrigado por concluírem o curso e espero que tenham aprendido algo agora sobre IA e aprendizado de máquina. E não é mais um tópico tão assustador quanto parecia estar no início. Então, apenas alguém rápido, quero dizer, essas outras coisas, essas outras conquistas que você fez agora, você entendeu os conceitos básicos de aprendizado de máquina. Você criou seus próprios modelos de aprendizado de máquina e IA, e parece incrível, mas sim, você fez isso. E você também percebeu o perigoso do uso indevido da IA. Convide um bom governo e algumas estruturas de gerenciamento de riscos que colocamos em prática. E você também entendeu, espero ter dado as ferramentas que você precisa ter no lugar. Se você realmente quer levar sua carreira adiante. E como um realmente investir em inteligência artificial. Quero dizer, o céu é o limite pessoal. Realmente, não há como parar a EA. E ele é como, você está investindo para o futuro. Então, espero que isso tenha realmente me ajudado e, por favor, me dê seus comentários e comentários. Eu adoraria ter um feedback honesto que o ajudará a criar mais cursos e você encontrará mais esse curso. Então, apenas um rápido autopromocional novamente, eu tenho um canal do YouTube, o cara de segurança da nuvem. Esta é minha página no Facebook e um blog no qual postam adequadamente. Então, desejo-lhe o melhor em suas carreiras e boa sorte em seu Acharya e te vejo no futuro. Tchau.