Domine as arquiteturas que movem a Inteligência Artificial moderna.

Aprenda de forma prática com 6 cursos completos + 2 cursos bônus essenciais.

Domine as arquiteturas que movem a Inteligência Artificial moderna.

Aprenda de forma prática com 6 cursos completos + 2 cursos bônus essenciais.

Domine as arquiteturas que movem a Inteligência Artificial moderna.

Aprenda de forma prática com 6 cursos completos + 2 cursos bônus essenciais.

INSCREVA - SE

CONTEÚDO PROGRAMÁTICO

Clique na seta vermelha e veja todo conteúdo do curso

Redes Neurais — Inspiração Biológica

Redes Neurais — Por que usar Redes Neurais?!

Redes Neurais — Neurônio Artificial

Redes Neurais — Funções de Ativação

Redes Neurais — Arquitetura

Redes Neurais — Perceptron

Redes Neurais — Perceptron Multicamadas (Back Propagation)

Redes Neurais — Revisão: tudo sobre Redes Neurais

Redes Neurais — Trade-off bias/variance — underfitting/overfitting

Redes Neurais — Algoritmo de Rede Neural — Arquitetura

Redes Neurais — Algoritmo Rede Neural — activation.py / logg.py / dataset.py

Redes Neurais — Algoritmo — Layer.py

Redes Neurais — Algoritmos de Redes Neurais NN.py

Redes Neurais — Keras: introdução e preparação dos dados

Redes Neurais — Keras: camadas, função de ativação, computação e treino

Redes Neurais — Keras: monitoramento e treinamento com Callback e Early Stopping

Redes Neurais — Keras: salvando e monitorando

Redes Neurais — Keras: ajuste de hiperparâmetros

Redes Neurais — Keras: aplicação e métrica

Redes Neurais — Inspiração Biológica

Redes Neurais — Por que usar Redes Neurais?!

Redes Neurais — Neurônio Artificial

Redes Neurais — Funções de Ativação

Redes Neurais — Arquitetura

Redes Neurais — Perceptron

Redes Neurais — Perceptron Multicamadas (Back Propagation)

Redes Neurais — Revisão: tudo sobre Redes Neurais

Redes Neurais — Trade-off bias/variance — underfitting/overfitting

Redes Neurais — Algoritmo de Rede Neural — Arquitetura

Redes Neurais — Algoritmo Rede Neural — activation.py / logg.py / dataset.py

Redes Neurais — Algoritmo — Layer.py

Redes Neurais — Algoritmos de Redes Neurais NN.py

Redes Neurais — Keras: introdução e preparação dos dados

Redes Neurais — Keras: camadas, função de ativação, computação e treino

Redes Neurais — Keras: monitoramento e treinamento com Callback e Early Stopping

Redes Neurais — Keras: salvando e monitorando

Redes Neurais — Keras: ajuste de hiperparâmetros

Redes Neurais — Keras: aplicação e métrica

Redes Neurais — Inspiração Biológica

Redes Neurais — Por que usar Redes Neurais?!

Redes Neurais — Neurônio Artificial

Redes Neurais — Funções de Ativação

Redes Neurais — Arquitetura

Redes Neurais — Perceptron

Redes Neurais — Perceptron Multicamadas (Back Propagation)

Redes Neurais — Revisão: tudo sobre Redes Neurais

Redes Neurais — Trade-off bias/variance — underfitting/overfitting

Redes Neurais — Algoritmo de Rede Neural — Arquitetura

Redes Neurais — Algoritmo Rede Neural — activation.py / logg.py / dataset.py

Redes Neurais — Algoritmo — Layer.py

Redes Neurais — Algoritmos de Redes Neurais NN.py

Redes Neurais — Keras: introdução e preparação dos dados

Redes Neurais — Keras: camadas, função de ativação, computação e treino

Redes Neurais — Keras: monitoramento e treinamento com Callback e Early Stopping

Redes Neurais — Keras: salvando e monitorando

Redes Neurais — Keras: ajuste de hiperparâmetros

Redes Neurais — Keras: aplicação e métrica

Clique na seta vermelha e veja todo conteúdo do curso

Por que precisamos das CNNs?

Visão Computacional — Imagens Digitais

Visão Computacional — Filtros

Técnicas de normalização

Fundamentos NLP: representação computacional de texto

Fundamentos de Séries Temporais: Estacionariedade e Autocorrelação

Fundamentos de Séries Temporais: Janelas Deslizantes e Embeddings Temporais

Camadas Convolucionais: operações de convolução

Camadas Convolucionais: pooling e normalização

Camadas Convolucionais: arquitetura completa

Arquiteturas clássicas

Arquiteturas modernas

Arquiteturas especializadas

Refatorando as Redes Neurais

Algoritmo da camada Convolucional I — filtros

Algoritmo da camada Convolucional II — padding

Algoritmo da camada Convolucional III — fowared (mantido como no original)

Algoritmo da camada Convolucional IV — backward

Algoritmo da camada Max Pooling

Algoritmo da camada Flatten

Teste de Rede Neural

Tensorflow — por quê usar tensores?

Gradient Tape

Regressão Linear com Tensorflow

Tensorflow — Rede Neural Simples

Tensorflow — Rede Neural Simples (OOP)

Modelo de Classificação de Comidas — Introdução

Modelo de Classificação de Comidas — Avaliação

Modelo de Classificação de Comidas — DenseNet

Modelo de Classificação de Comidas — Avaliação

CNN aplicada à classificação de textos — 1D CONV

CNN aplicada à classificação de textos — Treino

CNN aplicada à classificação de textos — Avaliação

Previsão de Tráfego nos Sites com CNN

Por que precisamos das CNNs?

Visão Computacional — Imagens Digitais

Visão Computacional — Filtros

Técnicas de normalização

Fundamentos NLP: representação computacional de texto

Fundamentos de Séries Temporais: Estacionariedade e Autocorrelação

Fundamentos de Séries Temporais: Janelas Deslizantes e Embeddings Temporais

Camadas Convolucionais: operações de convolução

Camadas Convolucionais: pooling e normalização

Camadas Convolucionais: arquitetura completa

Arquiteturas clássicas

Arquiteturas modernas

Arquiteturas especializadas

Refatorando as Redes Neurais

Algoritmo da camada Convolucional I — filtros

Algoritmo da camada Convolucional II — padding

Algoritmo da camada Convolucional III — fowared (mantido como no original)

Algoritmo da camada Convolucional IV — backward

Algoritmo da camada Max Pooling

Algoritmo da camada Flatten

Teste de Rede Neural

Tensorflow — por quê usar tensores?

Gradient Tape

Regressão Linear com Tensorflow

Tensorflow — Rede Neural Simples

Tensorflow — Rede Neural Simples (OOP)

Modelo de Classificação de Comidas — Introdução

Modelo de Classificação de Comidas — Avaliação

Modelo de Classificação de Comidas — DenseNet

Modelo de Classificação de Comidas — Avaliação

CNN aplicada à classificação de textos — 1D CONV

CNN aplicada à classificação de textos — Treino

CNN aplicada à classificação de textos — Avaliação

Previsão de Tráfego nos Sites com CNN

Por que precisamos das CNNs?

Visão Computacional — Imagens Digitais

Visão Computacional — Filtros

Técnicas de normalização

Fundamentos NLP: representação computacional de texto

Fundamentos de Séries Temporais: Estacionariedade e Autocorrelação

Fundamentos de Séries Temporais: Janelas Deslizantes e Embeddings Temporais

Camadas Convolucionais: operações de convolução

Camadas Convolucionais: pooling e normalização

Camadas Convolucionais: arquitetura completa

Arquiteturas clássicas

Arquiteturas modernas

Arquiteturas especializadas

Refatorando as Redes Neurais

Algoritmo da camada Convolucional I — filtros

Algoritmo da camada Convolucional II — padding

Algoritmo da camada Convolucional III — fowared (mantido como no original)

Algoritmo da camada Convolucional IV — backward

Algoritmo da camada Max Pooling

Algoritmo da camada Flatten

Teste de Rede Neural

Tensorflow — por quê usar tensores?

Gradient Tape

Regressão Linear com Tensorflow

Tensorflow — Rede Neural Simples

Tensorflow — Rede Neural Simples (OOP)

Modelo de Classificação de Comidas — Introdução

Modelo de Classificação de Comidas — Avaliação

Modelo de Classificação de Comidas — DenseNet

Modelo de Classificação de Comidas — Avaliação

CNN aplicada à classificação de textos — 1D CONV

CNN aplicada à classificação de textos — Treino

CNN aplicada à classificação de textos — Avaliação

Previsão de Tráfego nos Sites com CNN

Clique na seta vermelha e veja todo conteúdo do curso

Introdução às Séries Temporais

Introdução às Séries Temporais — Exemplo Numérico

Introdução — Redes Neurais Recorrentes

Back Propagation Through Time

Arquitetura LSTM

Arquitetura GRU

Algoritmo da Camada Recorrente RNN

Teste de Camada RNN

Algoritmo da Camada LSTM — forward

Algoritmo da Camada LSTM — backward

Algoritmo da Camada GRU

PyTorch — Tensores

PyTorch — GPUs

PyTorch — torch.compile

(título não informado)

Trading Quantitativo com Redes LSTM/GRU — I — O Projeto

Trading Quantitativo com Redes LSTM/GRU — II — Fontes de Dados

Trading Quantitativo com Redes LSTM/GRU — III — Feature Creation

Trading Quantitativo com Redes LSTM/GRU — IV — Modelo

Trading Quantitativo com Redes LSTM/GRU — V — Estratégia

Trading Quantitativo com Redes LSTM/GRU — VI — Backtest

Introdução às Séries Temporais

Introdução às Séries Temporais — Exemplo Numérico

Introdução — Redes Neurais Recorrentes

Back Propagation Through Time

Arquitetura LSTM

Arquitetura GRU

Algoritmo da Camada Recorrente RNN

Teste de Camada RNN

Algoritmo da Camada LSTM — forward

Algoritmo da Camada LSTM — backward

Algoritmo da Camada GRU

PyTorch — Tensores

PyTorch — GPUs

PyTorch — torch.compile

(título não informado)

Trading Quantitativo com Redes LSTM/GRU — I — O Projeto

Trading Quantitativo com Redes LSTM/GRU — II — Fontes de Dados

Trading Quantitativo com Redes LSTM/GRU — III — Feature Creation

Trading Quantitativo com Redes LSTM/GRU — IV — Modelo

Trading Quantitativo com Redes LSTM/GRU — V — Estratégia

Trading Quantitativo com Redes LSTM/GRU — VI — Backtest

Introdução às Séries Temporais

Introdução às Séries Temporais — Exemplo Numérico

Introdução — Redes Neurais Recorrentes

Back Propagation Through Time

Arquitetura LSTM

Arquitetura GRU

Algoritmo da Camada Recorrente RNN

Teste de Camada RNN

Algoritmo da Camada LSTM — forward

Algoritmo da Camada LSTM — backward

Algoritmo da Camada GRU

PyTorch — Tensores

PyTorch — GPUs

PyTorch — torch.compile

(título não informado)

Trading Quantitativo com Redes LSTM/GRU — I — O Projeto

Trading Quantitativo com Redes LSTM/GRU — II — Fontes de Dados

Trading Quantitativo com Redes LSTM/GRU — III — Feature Creation

Trading Quantitativo com Redes LSTM/GRU — IV — Modelo

Trading Quantitativo com Redes LSTM/GRU — V — Estratégia

Trading Quantitativo com Redes LSTM/GRU — VI — Backtest

Clique na seta vermelha e veja todo conteúdo do curso

Bert — Introdução

Bert — One hot encoding / Bag of Words

Bert — TF/IDF

Bert — Glove — Conceito

Bert — Glove — Demonstração

Bert — Word2vec

Bert — Arquitetura de Transformers — Overview

Bert — Self Attention

Bert — Multi-head attention — mecanismo

Bert — Position Encoding

Bert — Encoder block

Bert — Decoder Overview

Bert — Masked Multi-head attention

Bert — Decoder Multi-head attention

Bert — Decoder block

Bert — Bert Overview

Bert — Bert — Embedding layers

Bert — Masked Language Modeling

Bert — Next Sentence Prediction

Bert — Revisão NLP

Bert — Tokenização

Bert — Generate MLM e NSP

Bert — Teste geração MLM e NSP

Bert — Data Loader

Bert — Bert Embedding

Bert — Attention

Bert — Bert

Bert — MLM/NSP head

Bert — Bert

Bert — Introdução

Bert — One hot encoding / Bag of Words

Bert — TF/IDF

Bert — Glove — Conceito

Bert — Glove — Demonstração

Bert — Word2vec

Bert — Arquitetura de Transformers — Overview

Bert — Self Attention

Bert — Multi-head attention — mecanismo

Bert — Position Encoding

Bert — Encoder block

Bert — Decoder Overview

Bert — Masked Multi-head attention

Bert — Decoder Multi-head attention

Bert — Decoder block

Bert — Bert Overview

Bert — Bert — Embedding layers

Bert — Masked Language Modeling

Bert — Next Sentence Prediction

Bert — Revisão NLP

Bert — Tokenização

Bert — Generate MLM e NSP

Bert — Teste geração MLM e NSP

Bert — Data Loader

Bert — Bert Embedding

Bert — Attention

Bert — Bert

Bert — MLM/NSP head

Bert — Bert

Bert — Introdução

Bert — One hot encoding / Bag of Words

Bert — TF/IDF

Bert — Glove — Conceito

Bert — Glove — Demonstração

Bert — Word2vec

Bert — Arquitetura de Transformers — Overview

Bert — Self Attention

Bert — Multi-head attention — mecanismo

Bert — Position Encoding

Bert — Encoder block

Bert — Decoder Overview

Bert — Masked Multi-head attention

Bert — Decoder Multi-head attention

Bert — Decoder block

Bert — Bert Overview

Bert — Bert — Embedding layers

Bert — Masked Language Modeling

Bert — Next Sentence Prediction

Bert — Revisão NLP

Bert — Tokenização

Bert — Generate MLM e NSP

Bert — Teste geração MLM e NSP

Bert — Data Loader

Bert — Bert Embedding

Bert — Attention

Bert — Bert

Bert — MLM/NSP head

Bert — Bert

Clique na seta vermelha e veja todo conteúdo do curso

Introdução ao YOLO e princípios de detecção de objetos

Bounding Boxes, Confidence Score e classificação

Processo de inferência e treinamento

Implementação prática do modelo YOLO

Construção de dataset, treino, avaliação e inferência final

Aplicações em visão computacional e análise de vídeo

Introdução ao YOLO e princípios de detecção de objetos

Bounding Boxes, Confidence Score e classificação

Processo de inferência e treinamento

Implementação prática do modelo YOLO

Construção de dataset, treino, avaliação e inferência final

Aplicações em visão computacional e análise de vídeo

Introdução ao YOLO e princípios de detecção de objetos

Bounding Boxes, Confidence Score e classificação

Processo de inferência e treinamento

Implementação prática do modelo YOLO

Construção de dataset, treino, avaliação e inferência final

Aplicações em visão computacional e análise de vídeo

Clique na seta vermelha e veja todo conteúdo do curso

Conceito e vantagens do Transfer Learning

Algoritmo de Transfer Learning

Fine-tuning e feature extractionAlgoritmo de feature extraction e fine tune

Estratégias para treinar

Aplicações

Conceito e vantagens do Transfer Learning

Algoritmo de Transfer Learning

Fine-tuning e feature extractionAlgoritmo de feature extraction e fine tune

Estratégias para treinar

Aplicações

Conceito e vantagens do Transfer Learning

Algoritmo de Transfer Learning

Fine-tuning e feature extractionAlgoritmo de feature extraction e fine tune

Estratégias para treinar

Aplicações

Clique na seta vermelha e veja todo conteúdo do curso

MÓDULOS COMPLETOS:

Python básico

Pandas

Numpy

Scikit-Learn

OOP

Modelo servidor-cliente

FastApi

Docker

Seaborn

MÓDULOS COMPLETOS:

Python básico

Pandas

Numpy

Scikit-Learn

OOP

Modelo servidor-cliente

FastApi

Docker

Seaborn

MÓDULOS COMPLETOS:

Python básico

Pandas

Numpy

Scikit-Learn

OOP

Modelo servidor-cliente

FastApi

Docker

Seaborn

Clique na seta vermelha e veja todo conteúdo do curso

MÓDULOS DE REVISÃO :

Matemática básica

Cálculo

Álgebra linear

Probabilidade

Estatística

Otimização numérica

Modelagem Matemática

Grafos

Heurísticas np Hard

Modelagem Matemática

MÓDULOS DE REVISÃO :

Matemática básica

Cálculo

Álgebra linear

Probabilidade

Estatística

Otimização numérica

Modelagem Matemática

Grafos

Heurísticas np Hard

Modelagem Matemática

MÓDULOS DE REVISÃO :

Matemática básica

Cálculo

Álgebra linear

Probabilidade

Estatística

Otimização numérica

Modelagem Matemática

Grafos

Heurísticas np Hard

Modelagem Matemática

ASSISTA AGORA UMA AULA GRATUITA

INSCREVA - SE

PARA QUEM É ESSE CURSO?

Cientista de Dados,

Analistas de Dados, AI Analytics e Profissionais de Dados em geral

Cientista de Dados,

Analistas de Dados, AI Analytics e Profissionais de Dados em geral

Cientista de Dados,

Analistas de Dados, AI Analytics e Profissionais de Dados em geral

Profissionais que já atuam na área e querem dar o próximo passo para crescer profissionalmente com domínio técnico, entendendo como funcionam de verdade as redes neurais mais usadas!

Engenheiros e Desenvolvedores de IA

Quem busca aprofundar o domínio técnico, aprendendo a construir, ajustar e adaptar modelos de deep learning para aplicações reais em visão computacional, NLP e séries temporais.

Estudantes e Profissionais em Transição

Quem está migrando para IA e Data Science e quer se destacar e ter um caminho estruturado em RN, aprendendo a construir passo a passo, cada uma das arquiteturas mais modernas e dar o próximo passo na carreira.

CONHEÇA QUEM TE ENSINA

Prof. Dr. Raphael

Sou o Prof. Dr. Raphael Dutenkefer, pós-doutorando na USP, e trabalho com Data Science e Inteligência Artificial há mais de 16 anos. Comecei quando essa área ainda era conhecida como métodos quantitativos e sigo atuando há mais de uma década no mercado americano e também em empresas brasileiras.

Sempre digo que dominar a base é o que diferencia quem entende de verdade. Sem compreender modelos e algoritmos, não existe Data Science sólida. É a base que permite interpretar, criar e resolver problemas de forma consistente.

Na Algoritmos Academy eu ensino esse caminho de forma direta e prática, unindo fundamentos e aplicação real.

Vem estudar comigo, te espero na nossa plataforma

Sou o Prof. Dr. Raphael Dutenkefer, pós-doutorando na USP, e trabalho com Data Science e Inteligência Artificial há mais de 16 anos. Comecei quando essa área ainda era conhecida como métodos quantitativos e sigo atuando há mais de uma década no mercado americano e também em empresas brasileiras.

Sempre digo que dominar a base é o que diferencia quem entende de verdade. Sem compreender modelos e algoritmos, não existe Data Science sólida. É a base que permite interpretar, criar e resolver problemas de forma consistente.

Na Algoritmos Academy eu ensino esse caminho de forma direta e prática, unindo fundamentos e aplicação real.

Vem estudar comigo, te espero na nossa plataforma

Sou o Prof. Dr. Raphael Dutenkefer, pós-doutorando na USP, e trabalho com Data Science e Inteligência Artificial há mais de 16 anos. Comecei quando essa área ainda era conhecida como métodos quantitativos e sigo atuando há mais de uma década no mercado americano e também em empresas brasileiras.

Sempre digo que dominar a base é o que diferencia quem entende de verdade. Sem compreender modelos e algoritmos, não existe Data Science sólida. É a base que permite interpretar, criar e resolver problemas de forma consistente.

Na Algoritmos Academy eu ensino esse caminho de forma direta e prática, unindo fundamentos e aplicação real.

Vem estudar comigo, te espero na nossa plataforma

INSCREVA - SE

VALOR IMPERDÍVEL DE LANÇAMENTO

& BLACK FRIDAY!

VALOR IMPERDÍVEL DE LANÇAMENTO

& BLACK FRIDAY!

VALOR IMPERDÍVEL DE LANÇAMENTO

& BLACK FRIDAY!

QUE NUNCA MAIS SE REPETIRÁ!!!

DE ~~2.159,00~~

POR APENAS 12x DE

DE ~~2.159,00~~

POR APENAS 12x DE

DE ~~2.159,00~~

POR APENAS 12x DE

R$ 83,08

À VISTA POR R$ 997,00

INACREDITÁVEIS

03 ANOS DE ACESSO!!!

INSCREVA - SE

CURSOS BÔNUS

CURSO OVERVIEW PYTHON PARA DADOS

O primeiro passo pra entender o mundo dos dados. Aprenda o essencial de Python aplicado a IA e Machine Learning direto ao ponto, com foco em prática, clareza e base sólida pra evoluir com segurança.

CURSO OVERVIEW MATEMÁTICA PARA DADOS

Entenda a base por trás da Inteligência Artificial. Conceitos de álgebra, cálculo, estatística e probabilidade explicados de forma simples, prática e aplicada pra você dominar os modelos de IA com segurança e entender o “porquê” por trás dos algoritmos.

PRAZO DE ACESSO DOBRADO

02 ANOS DE ACESSO! Para dar ainda mais tempo a você que está pronto para evoluir, estendo o acesso por o dobro do tempo sem custo adicional. Aproveite, respira fundo, e use esse tempo extra para absorver, praticar e consolidar de vez seu aprendizado.

CERTIFICADO ALGORITMOS ACADEMY

INSCREVA - SE

POR QUE ESSE CURSO É TÃO ESSENCIAL PARA VOCÊ ?

Dominar redes neurais é um privilégio raro e, ao mesmo tempo, uma das habilidades mais valiosas do universo de Data Science e Inteligência Artificial.

A verdade é que pouquíssimos profissionais realmente entendem como CNNs, LSTMs, BERTs, YOLO e Transfer Learning funcionam por dentro.

Enquanto a maioria apenas utiliza modelos prontos, quem se propõe a compreender e construir essas arquiteturas está anos à frente.

Aprofundar-se em redes neurais é entrar na camada mais estratégica da IA moderna, onde a teoria se encontra com a aplicação real e onde surgem as inovações que movem o mercado.

O Redes Neurais 360 une teoria, prática e fundamentos matemáticos, formando profissionais capazes de entender, adaptar e criar soluções próprias um diferencial competitivo que pouquíssimos dominam.