fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Como a banda Metallica usa Data Science

Carlos Melo por Carlos Melo
novembro 15, 2022
em Artigos, Blog, Data Science, Machine Learning
2
19
COMPARTILHAMENTOS
642
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

Você sabia que o Metallica escolhe seu setlist de acordo com as estatísticas disponibilizadas pelo Spotify? Aqui, não só você verá isso, mas também como funcionam o sistema de recomendações e o recurso retrospectiva dessa gigante do streaming de música.

Comparando os hábitos e a cultura da população média mundial no tempo, percebemos como a tecnologia produziu mudanças na sociedade. As redes sociais e os aplicativos como o Tinder, por exemplo, mudaram muito a forma como conhecemos e interagimos com as pessoas hoje em dia: se por um lado facilitou, por outro tornou as relações mais superficiais (liquidez das relações, já dizia Bauman).

“Você tem um artista como o Metallica, que muda o setlist deles de cidade para cidade apenas olhando os dados do Spotify para ver quais as músicas mais populares da cidade.“

Daniel Ek

Com a indústria da música, o efeito não foi tão diferente assim. Parte considerável da receita das bandas, o disco de vinil e o CD passaram a ser consumidos apenas por fãs das bandas.

No entanto, na música um componente ainda permanece, em essência, o mesmo: os shows. As apresentações musicais continuam sendo presenciais (salvo as lives, as quais marcaram o período pandêmico) e tendo uma enorme importância para a receita das bandas e para seus fãs.

Em função dessa relevância, os grupos musicais planejam a estrutura do palco (iluminação, aparelhos de som, cenário) até o famoso setlist. Certamente esse, a lista de músicas, é o aspecto principal de um show, aquilo sobre o qual o fã que comprou o ingresso quer saber em primeiro lugar.

Setlist Baseado em Dados

Ora, assim como as grandes empresas fazem uso dos dados para orientar suas tomadas de decisões (leia o fantástico livro “Data Science para Negócios”, de Foster Provost e Tom Fawcett), na música não poderia ser diferente.

Como exemplo, cito a famosa banda norte-americana de heavy metal Metallica. Segundo Daniel Ek, CEO da Spotify, em uma teleconferência de sua empresa em 2018, o Metallica utiliza os dados do Spotify para criar uma playlist com as músicas mais executadas pelo público da cidade onde tocarão. Ou seja, se forem tocar na cidade de São Paulo, olharão quais músicas são as mais executadas no Spotify pelos paulistanos – obviamente, há músicas que são praticamente fixas, tal como “Creep” é para Radiohead e “Take on Me” é para A-ha.

metallica no spotify
Dados da bada Metallica. Disponível em https://open.spotify.com/

O serviço de streaming de música, podcast e vídeo sueco, o Spotify, fornece esses dados (analytics, vide imagem abaixo), tal como o Instagram (principalmente a comercial e a de criador de conteúdo) e o YouTube fornecem para seus usuários. Os dados disponibilizados por essa plataforma incluem, por exemplo, o número de execuções de músicas e álbuns no tempo e no espaço (geograficamente).

metallica no spotify
Dados do artista UMEK no Spotify. Fonte: Viberate

Bem, é claro que não só o Metallica utiliza esses dados para agradar seu público (eles não inventaram a roda), assim como esses dados também não apenas são utilizados para esse fim (por exemplo, podem ser utilizados para medir o grau de satisfação das músicas, servindo como métrica para futuros álbuns).

Pensando no seu dia a dia, você poderia utilizar os dados do seu Instagram para saber quais os melhores horários para publicar uma foto no feed, bem como para saber quais as características do seu público (idade, gênero etc.) e agir com a probabilidade a seu favor. São inúmeros os exemplos do uso de tecnologia e de Data Science para orientar uma tomada de decisão (a criatividade e a fonte de dados que limitarão seu alcance), gerando efeitos mais benéficos do que se usasse apenas a intuição humana.

Voltando ao serviço de streaming de música, há muito mais conteúdo a ser abordado quando se trata do uso de dados. Em primeiro lugar, você entenderá quais as estratégias utilizadas para as recomendações de músicas; em seguida, a retrospectiva, feita anualmente para cada usuário.

Recomendações do Spotify

Administrando 80 milhões de faixas musicais, 4,7 milhões de podcasts, 456 milhões de usuários – sendo 195 assinantes – em 183 mercados (países), a empresa sediada na Suécia oferece o serviço de streaming de música mais popular do mundo. Engana-se quem acredita que ela compete sozinha: ela disputa o enorme mercado da música (streaming) com gigantes, como Apple (Apple Music), Tidal, SoundCloud e Deezer.

Uma empresa assim tem que ter um diferencial para atrair tanto público. E talvez o seu principal diferencial seja o recurso de recomendação, extremamente sofisticado e eficiente. Houve muito investimento do Spotify em Big Data e Análise de Dados para a melhoria da experiência do usuário, pois a receita principal vem dos assinantes, embora os anunciantes também participem da produção de caixa para empresa.

“É a maneira mais sábia de aprender mais sobre nosso público e atendê-los melhor. Esses dados, uso e comportamento nos fornecem a riqueza que nos ajuda literalmente a construir produtos e seguir o comportamento para servir de uma forma que ofereça valor e trabalhe a serviço das pessoas, seu tempo, seus comportamentos e seus humores”, explicou Khartoon Weiss, ex-chefe de um setor do Spotify, em uma entrevista em 2019.

Para que suas recomendações sejam as mais fidedignas possíveis, o Spotify utiliza três técnicas de Machine Learning: Collaborative Filtering, Natural Language Processing (NLP) e Convolutional Neural Network (CNN). A partir dos dados históricos de músicas dos usuários e utilizando essas técnicas de Inteligência Artificial, a empresa consegue entender o gosto de seus usuários e recomendar músicas e playlists.

A Filtragem Colaborativa consiste em relacionar pessoas com gostos musicais similares e sugerir a essas as músicas que faltam na lista de um e sobram na do outro. Por exemplo, digamos que João goste da música A, assim como Sérgio, Samara e Paulo. Porém, Paulo é aquele que possui mais músicas em comum com João, logo se conclui (raciocínio lógico) que ambos possuam gostos musicais similares. Em função dessa característica deles –afinal, as pessoas não saem cada uma de um planeta, totalmente distintas umas das outras –, uma música que João gosta e que Paulo ainda não ouviu será sugerida a esse, e vice-versa.

Collaborative Filtering
Exemplo do Collaborative Filtering. Fonte: Unive

Na verdade, há dois tipos de Filtragem Colaborativa: Explicit Feedback Approach e Implicit Feedback Approach. A primeira é utilizada, por exemplo, pela Netflix, pois há como fazer avaliações, sugerindo conteúdo em função disso. Já a segunda, por não poder se pautar na avaliação (informação mais explícita, objetiva), tem que encontrar outra forma na qual se basear. Nesse sentido, o algoritmo localiza playlists que contenham as músicas que fazem parte do histórico musical do usuário (músicas/playlists executas, playlists criadas). Encontradas essas listas de músicas, as músicas que o usuário já conhece e escuta são eliminadas para se criar uma nova playlist.            

Quanto ao Processamento de Linguagem Natural (sigla em inglês NLP), o algoritmo acessa páginas web (blogs, jornais, artigos) para extrair dados de texto sobre músicas e artistas musicais. Com esses dados, as músicas são agrupadas com base nas palavras utilizadas para descrevê-las (por exemplo, rock alternativo, jazz suave, rap melódico). A finalidade disso é identificar os artistas afins e, então, criar listas de reprodução personalizadas.

Por fim, a Rede Neural Convolucional (sigla em inglês CNN) analisa certos parâmetros das músicas, como BPM, volume e tom, para classificá-las. Ou seja, uma música é classificada por suas próprias características, produzindo um catálogo mais objetivo. Em função dessa objetividade, ela é importante para suavizar o viés humano da NLP, afinal são pessoas que escrevem em blogs, artigos e afins. Munidos dessas classificações, as músicas são recomendadas levando em consideração os gostos musicais dos seus usuários.

“Sua mixtape semanal cheia de novas descobertas e pérolas musicais escolhidas só para você. Atualize toda segunda.”

Quem usa o Spotify, deve conhecer o recurso Descobertas da Semana. Bem, uma lista composta por trinta músicas é recomendada aos usuários utilizando as técnicas acima expostas.

Spotify Wrapped: a sua retrospectiva

Panetone, árvore de Natal, música do final da Globo e… claro, a retrospectiva do Spotify compartilhada nas redes sociais.

Desde 2016, a empresa sueca permite que seus usuários tenham acesso aos seus dados musicais, como artistas e músicas mais ouvidos no ano, quantas músicas e quantos minutos ouviu, quantos gêneros musicais ouviu e os mais ouvidos, entre outros dados. Além disso, seus dados são comparados com os dos outros usuários. Por exemplo, é informada a estatística do tempo que você ouve música na plataforma em comparação com os usuários do país em que você reside.

retrospectiva do spotify
Alguns dados da retrospectiva de 2022 de um usuário aleatório do Spotify.

A verdade é que esse serviço é muito bacana: primeiro porque todo mundo gosta de algo personalizado, criado exclusivamente para si; segundo, a experiência traz uma reflexão, pois, enquanto os dados lhe são apresentados, músicas que você ouviu muitas vezes no ano são executadas. Confesso que bate uma sensação de saudade/nostalgia todo ano que minha retrospectiva é compartilhada para mim – a música, assim como o cheiro, são um dos melhores meios para criar e recuperar memórias.

E se quiser ter acesso aos seus dados musicais, ou você espera que o Spotify crie sua lista (final do ano – entre final de novembro e início de dezembro) ou você utiliza o aplicativo da empresa e clica no link do Spotify Wrapped.

Para saber mais desse recurso, acesse este link.

Quanto Ganha um cientista de dados no Spotify

Que profissional de dados não gostaria de trabalhar em uma gigante e que lida com uma das artes mais consumidas, não é verdade?

Segundo a página web Glassdoor, a média global do salário de um cientista de dados nessa empresa é de $ 174,318 mil por ano, o qual é composto por um valor base, de $ 129,809 mil por ano, e um adicional.

Clustering Usando Dados do Spotify

Para finalizar, quem tiver interesse em mais um conteúdo relativo a essa plataforma, sugiro acessar a aula 17 (“Clustering Usando Dados do Spotify”) da Escola de Data Science, ministrada pelo Rafael Duarte.

Só para se situar, conforme definição extraída do Medium, “Clustering (ou agrupamento) consiste na implementação de técnicas computacionais para separar um conjunto de dados em diferentes grupos com base em suas semelhanças”.



Compartilhar1Compartilhar8Enviar
Post Anterior

Aprendizado Supervisionado e Não Supervisionado

Próximo Post

Vivino: Inteligência Artificial a Favor do Vinho

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Por que o ChatGPT mente para você?
Artigos

Por que o ChatGPT mente para você?

por Carlos Melo
setembro 16, 2025
Green Card aprovado por habilidades extraordinárias em Data Science
Blog

Green Card aprovado por habilidades extraordinárias em Data Science

por Carlos Melo
julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens
Artigos

O Que é Amostragem e Quantização no Processamento de Imagens

por Carlos Melo
junho 20, 2025
Curso de Pós-Graduação em Data Science
Data Science

Vale a pena fazer uma Pós-Graduação em Data Science?

por Carlos Melo
janeiro 20, 2025
Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”
Livros

Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”

janeiro 18, 2025
Próximo Post
Vivino: Inteligência Artificial a Favor do Vinho

Vivino: Inteligência Artificial a Favor do Vinho

Comentários 2

  1. Alonso Élbio says:
    3 anos atrás

    Ótimo artigo Professor, já começo a perceber esse novo mundo que estou triando, e o seu conteúdo é muito bom..

    Responder
    • Carlos Melo Carlos Melo says:
      2 anos atrás

      Eu que agradeço a sua visita aqui no blog. Um forte abraço!

      Responder

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    511 compartilhamentos
    Compartilhar 204 Tweet 128
  • Por que o ChatGPT mente para você?

    9 compartilhamentos
    Compartilhar 4 Tweet 2
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    424 compartilhamentos
    Compartilhar 170 Tweet 106
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    397 compartilhamentos
    Compartilhar 159 Tweet 99
  • Processamento de Nuvens de Pontos com Open3D e Python

    56 compartilhamentos
    Compartilhar 22 Tweet 14
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
Por que o ChatGPT mente para você?

Por que o ChatGPT mente para você?

setembro 16, 2025
Green Card aprovado por habilidades extraordinárias em Data Science

Green Card aprovado por habilidades extraordinárias em Data Science

julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens

O Que é Amostragem e Quantização no Processamento de Imagens

junho 20, 2025
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025

Seguir

  • 💰 Você sabe o que faz e quanto ganha um cientista de dados?

Ser Cientista de Dados significa trabalhar com inteligência artificial, estatística e programação para transformar dados em decisões que movimentam negócios e impactam bilhões de pessoas.

É a função que dá vida a recomendações personalizadas, modelos preditivos e sistemas inteligentes que mudam a forma como empresas inovam.

E não é apenas fascinante...

💼💰 É também uma das carreiras mais bem remuneradas da área de tecnologia!

Se você quer uma carreira com futuro, relevância e excelente retorno financeiro, Data Science é o caminho certo!

#cientistadedados #datascience #python
  • Você colocaria fraldas do lado das cervejas no seu supermercado? 🤔

Parece estranho, mas foi exatamente essa descoberta que mudou as vendas do Walmart.

Os cientistas de dados da empresa analisaram milhões de transações com uma técnica de Data Mining que identifica padrões de compra e combinações inesperadas de produtos.

Então, usando algoritmos da Data Science, cruzaram dados de horário, perfil de cliente e itens comprados juntos.

Encontraram algo curioso: homens que passavam no mercado após as 18h para comprar fraldas, muitas vezes no caminho de casa, também compravam cerveja 🍺.

O Walmart testou a hipótese: colocou fraldas perto da seção de cervejas.

O resultado? As vendas de cerveja dispararam. 🚀

Esse é um exemplo clássico de como Data Science gera impacto direto no negócio.

Não é sobre algoritmos complexos apenas; é sobre transformar dados históricos em decisões inteligentes e lucrativas.

#datascience #cientistadedados #machinelearning
  • Conheça as formações da Academia Sigmoidal.

Nossos programas unem rigor acadêmico, prática aplicada e dupla certificação internacional, preparando você para atuar em Data Science, Visão Computacional e Inteligência Artificial com impacto real no mercado.

🤖 Pós-Graduação em Data Science: Forma Cientistas de Dados e Engenheiros de Machine Learning do zero, com Python, estatística e projetos práticos do mundo real.

👁️ Pós-Graduação em Visão Computacional: Especialize-se em processamento de imagens, Deep Learning, redes neurais e navegação autônoma de drones, tornando-se Engenheiro de Visão Computacional ou Engenheiro de Machine Learning.

📊 MBA em Inteligência Artificial: Voltado a profissionais de qualquer área, ensina a aplicar IA estrategicamente em negócios, usando automação, agentes de IA e IA generativa para inovação e competitividade.

Além do título de Especialista reconhecido pelo MEC, você ainda conquista uma Dupla Certificação Internacional com o STAR Research Institute (EUA).

💬 Interessado em dar o próximo passo para liderar no mercado de tecnologia? Me envie uma mensagem e eu te ajudo pessoalmente com a matrícula.

#DataScience #InteligenciaArtificial #VisaoComputacional
  • Treinar um modelo significa encontrar um bom conjunto de parâmetros. Esse conjunto é definido pela função objetivo, também chamada de função de perda. 👀

O gradient descent é o algoritmo que ajusta esses parâmetros passo a passo. Ele calcula a direção de maior inclinação da função de perda e move o modelo para baixo nessa curva. ⬇️

Se o parâmetro é o peso que multiplica X ou o bias que desloca a reta, ambos são atualizados. Cada iteração reduz o erro, aproximando o modelo da solução ótima.

A intuição é simples: sempre que a função de perda é maior, o gradiente aponta o caminho. O algoritmo segue esse caminho até que não haja mais descida possível. 🔄 

#inteligênciaartificial #datascience #machinelearning
  • Qual a melhor linguagem? PYTHON ou R?

Diretamente do túnel do tempo! Resgatei esse vídeo polêmico de 2021, quem lembra??

#DataScience #Python #R #Programação
  • 🎥 Como começar uma CARREIRA como CIENTISTA DE DADOS

Você já pensou em entrar na área que mais cresce e que paga os melhores salários no mundo da tecnologia?

Domingo você vai descobrir o que realmente faz um Cientista de Dados, quais são as habilidades essenciais e o passo a passo para dar os primeiros passos na carreira.

Eu vou te mostrar um mapa para você sair do zero e se preparar para trabalhar com Data Science em 2026.

📅 Domingo, 28 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

Clique no link dos Stories e receba o link da aula ao vivo!

#datascience #machinelearning #cientistadedados
  • VISÃO COMPUTACIONAL está no centro de um dos avanços mais impressionantes da exploração espacial recente: o pouso autônomo da missão Chang’e-5 na Lua. 🚀🌑

Durante a descida, câmeras de alta resolução e sensores a laser capturavam continuamente o relevo lunar, enquanto algoritmos embarcados processavam as imagens em tempo real para identificar crateras e obstáculos que poderiam comprometer a missão.

Esses algoritmos aplicavam técnicas de detecção de bordas e segmentação, aproximando crateras por elipses e cruzando a análise visual com dados de altímetros. Assim, a IA conseguia selecionar regiões planas e seguras para o pouso, ajustando a trajetória da nave de forma autônoma. 

Esse processo foi indispensável, já que a distância entre Terra e Lua gera atraso de comunicação que inviabiliza controle humano direto em tempo real.

Esse caso ilustra como IA embarcada está deixando de ser apenas uma ferramenta de análise pós-missão para se tornar parte crítica das operações espaciais autônomas em tempo real — um passo essencial para missões em Marte, asteroides e no lado oculto da Lua.

(PS: Vi o Sérgio Sacani, do @spacetoday , postando isso primeiro.)

#visaocomputacional #machinelearning #datascience
  • 🔴Aprenda a MATEMÁTICA por Trás do MACHINE LEARNING

Você já se perguntou como as máquinas aprendem?🤖 

A resposta está na matemática que dá vida ao Machine Learning. E neste vídeo, você vai aprender os conceitos fundamentais que sustentam os algoritmos de inteligência artificial, de forma clara e acessível.

Mais do que apenas fórmulas, a ideia é mostrar como cada peça matemática se conecta para transformar dados em aprendizado. Se você deseja compreender a lógica por trás do funcionamento das máquinas, essa aula é um ótimo ponto de partida.

📅 Domingo, 21 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

#machinelearning #datascience #cientistadedados
  • 🚀 As matrículas estão abertas!
Depois de quase 1 ano, a nova turma da Pós-Graduação em Data Science chegou.

NOVIDADE: agora com Dupla Certificação Internacional:
🇧🇷 Diploma de Especialista reconhecido pelo MEC
🇺🇸 Certificado do STAR Research Institute (EUA)

Aprenda Data Science na prática, domine Machine Learning e IA, e conquiste reconhecimento no Brasil e no mundo.

2025 pode ser o ano em que você dá o passo decisivo para se tornar Cientista de Dados.

🔗 Clique no link da bio e reserve sua vaga!
#datascience #cienciadedados #python
  • Por que o CHATGPT MENTE PARA VOCÊ? 🤔

Já percebeu que o ChatGPT às vezes responde com confiança... mas está errado? 

Isso acontece porque, assim como um aluno em prova, ele prefere chutar do que deixar em branco.
Essas respostas convincentes, mas erradas, são chamadas de alucinações.

E o que o pesquisadores da OpenAI sugerem, é que esse tipo de comportamento aparece porque os testes que treinam e avaliam o modelo premiam o chute e punem a incerteza.

Então, da próxima vez que ele ‘inventar’ algo, lembre-se: não é pessoal, ele apenas for treinado dessa maneira!
#inteligênciaartificial #chatgpt #datascience
  • ChatGPT: um "estagiário de LUXO" para aumentar sua produtividade na programação.

 #programacao #copiloto #produtividade #streamlit #dashboard #tecnologia #devlife
  • Da série “Foi a IA que me deu”, vamos relembrar minha viagem pra Tromsø, na Noruega, 500 km acima da linha do Círculo Polar Ártico. 🌍❄️

No vídeo de hoje, você vai aprender o que é um "fiorde"! 

Como você dormia sem saber o que era um fiorde?? 😅
  • Qual LINGUAGEM DE PROGRAMAÇÃO é usada na TESLA?

A Tesla utiliza diferentes linguagens de programação em cada fase do ciclo de desenvolvimento. 

O treinamento das redes neurais convolucionais (CNN) é feito em Python, aproveitando bibliotecas científicas e a rapidez de prototipagem. Isso permite testar arquiteturas de CNN com agilidade no ambiente de pesquisa.

Já a implementação embarcada ocorre em C++, garantindo alta performance. Como os modelos de CNN precisam responder em tempo real, o C++ assegura baixa latência para tarefas como detectar pedestres e interpretar placas de trânsito.

Com isso, a Tesla combina Python para pesquisa e C++ para produção, equilibrando inovação e velocidade em sistemas críticos de visão computacional.

#python #machinelearning #inteligenciaartificial
  • Aproveitando o domingo… vamos relaxar um pouco e falar sobre cinema 🎬

Em
  • Já se perguntou como conseguimos distinguir intuitivamente um gato de um cachorro, mesmo com tantas semelhanças físicas? 

Para nós, essa identificação é quase automática.

Na filosofia aristotélica, a inteligência é um atributo da alma: o mundo real é captado pelos sentidos, transformado em imagens na imaginação (fantasmas), e organizado em conceitos que nos permitem compreender a realidade de forma imediata.

Já as máquinas não têm alma nem intuição. Para aprender essa mesma tarefa, precisam decompor o problema em camadas hierárquicas: 

Nas primeiras, redes neurais profundas extraem padrões simples (bordas, texturas); nas intermediárias, formas mais abstratas (orelhas, olhos, focinho); e apenas nas finais esses elementos são combinados em conceitos de alto nível como “gato” ou “cachorro”.

Enquanto nós chegamos ao entendimento de forma direta, a inteligência artificial depende de sucessivas representações para “fazer sentido” do mundo. 🤖

#inteligênciaartificial #redesneurais #deepLearning #filosofia #tecnologia
  • INTELIGÊNCIA ARTIFICIAL se tornou a carreira mais promissora atualmente.

Este mercado, em constante crescimento global, oferece oportunidades de trabalho remoto, seja como freelancer ou contratado por empresas. 

Para quem busca uma carreira flexível e em expansão, a área de DATA SCIENCE / IA pode ser o caminho ideal. 

Afinal, você consgue me dizer quais outras áreas oferecem tamanha versatilidade e crescimento? 

#cienciadedados #python #inteligenciaartificial #mercadodetrabalho #tecnologia #oportunidades
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Aeroespacial
  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • IA Generativa
  • Livros
  • Machine Learning
  • Notícias
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
  • English

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.