Aprendizagem por Reforco com Deep Learning PyTorch e Python

Construa a um carro autônomo virtual com Inteligência Artificial e Deep Q-Learning
Aprendizagem por Reforco com Deep Learning PyTorch e Python
File Size :
2.53 GB
Total length :
6h 4m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.1/5

Aprendizagem por Reforco com Deep Learning PyTorch e Python

What you’ll learn

Teoria sobre aprendizagem por reforço com o algoritmo Q-Learning e Deep Q-Learning
Implementação passo a passo de uma inteligência artificial para controlar um carro autônomo virtual
Redes neurais artificiais

Aprendizagem por Reforco com Deep Learning PyTorch e Python

Requirements

Lógica de programação, principalmente estruturas condicionais e de repetição
Programação básica em Python
Conhecimentos sobre instalação de softwares básicos, porém, durante o curso será mostrado o processo de instalação das ferramentas utilizadas
Noções de Orientação a Objetos, como: classes, objetos, atributos e métodos
Conhecimentos básicos sobre Redes Neurais Artificiais são desejáveis (no final do curso tem um anexo para revisar esse conteúdo)

Description

A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícios computacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essas técnicas, tais como: carros autônomos, descoberta de novos medicamentos, cura e diagnóstico antecipado de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes! Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram “imitar” como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina).Também dentro do contexto da Aprendizagem de Máquina existe a área de Aprendizagem por Reforço, que é um tipo de aprendizagem usado em sistemas multi-agente no qual os agentes devem interagir no ambiente e aprenderem por conta própria, ganhando recompensas positivas quando executam ações corretas e recompensas negativas quando executam ações que não levem para o objetivo. O interessante dessa técnica é que a inteligência artificial aprende sem nenhum conhecimento prévio, adaptando-se ao ambiente e encontrando as soluções sozinho!E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre a construção de um carro autônomo virtual utilizando aprendizagem por reforço! Vamos trabalhar com técnicas modernas de Deep Learning com a biblioteca PyTorch e a linguagem Python! Ao final você terá todas as ferramentas necessárias para solucionar outros tipos de problemas com aprendizagem por reforço. O conteúdo do curso está dividido em três partes:Teoria sobre aprendizagem por reforço com o algoritmo Q-LearningTeoria da aprendizagem por reforço com Deep Q-Learning, com a utilização de redes neurais artificiaisConstrução passo a passo da inteligência artificial para controlar o carro autônomoVocê ainda conta com um anexo sobre o básico das redes neurais artificiais caso você não tenha muita experiência na área.Este curso é categorizado como nível intermediário, pois apesar de existir o anexo para a revisão do conteúdo básico, é interessante que você já tenha uma certa experiência com a área de redes neurais.Preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso! 🙂

Overview

Section 1: Bem-vindo(a) ao curso!

Lecture 1 Boas vindas

Lecture 2 Mais sobre Inteligência Artificial

Section 2: —– Parte 1 – Fundamentos de Aprendizagem por Reforço —–

Lecture 3 Bem-vindo(a) à Parte 1 – Fundamentos de Aprendizagem por Reforço

Section 3: Q-Learning – Intuição e Visualização

Lecture 4 Conteúdo

Lecture 5 O que é aprendizagem por reforço?

Lecture 6 A Equação de Bellman

Lecture 7 O Plano

Lecture 8 Markov Decision Process – MDP

Lecture 9 Política x Plano

Lecture 10 Adição de Penalidades – Living Penalty

Lecture 11 Q-Learning – Intuição

Lecture 12 Diferença Temporal

Lecture 13 Q-Learning – Visualização

Section 4: —– Parte 2 – Intuição Deep Q-Learning —–

Lecture 14 Bem-vindo(a) à Parte 2 – Intuição Deep Q-Learning

Section 5: Deep Q-Learning – Intuição

Lecture 15 Conteúdo

Lecture 16 Intuição Deep Q-Learning – Aprendizagem

Lecture 17 Intuição Deep Q-Learning – Ações

Lecture 18 Replay de Experiência

Lecture 19 Políticas de Seleções de Ações

Section 6: —– Parte 3 – Implementação Deep Q-Learning —–

Lecture 20 Bem-vindo(a) à Parte 3 – Implementação Deep Q-Learning

Section 7: Implementação Deep Q-Learning

Lecture 21 Conteúdo

Lecture 22 Configuração do Ambiente

Lecture 23 IMPORTANTE: Configuração do ambiente

Lecture 24 Carro autônomo – Parte 1

Lecture 25 Carro autônomo – Parte 2

Lecture 26 Carro autônomo – Parte 3

Lecture 27 Carro autônomo – Parte 4

Lecture 28 Carro autônomo – Parte 5

Lecture 29 Carro autônomo – Parte 6

Lecture 30 Carro autônomo – Parte 7

Lecture 31 Carro autônomo – Parte 8

Lecture 32 Carro autônomo – Parte 9

Lecture 33 Carro autônomo – Parte 10

Lecture 34 Carro autônomo – Parte 11

Lecture 35 Carro autônomo – Parte 12

Lecture 36 Carro autônomo – Parte 13

Lecture 37 Carro autônomo – Parte 14

Lecture 38 Carro autônomo – Parte 15

Lecture 39 Carro autônomo – Parte 16

Section 8: Visualização Deep Q-Learning

Lecture 40 Carro autônomo – Nível 1

Lecture 41 Carro autônomo – Nível 2

Lecture 42 Carro autônomo – Nível 3

Lecture 43 Carro autônomo – Nível 4

Section 9: Anexo I – Redes Neurais Artificiais

Lecture 44 Perceptron de uma camada

Lecture 45 Redes multicamada – função soma e função de ativação

Lecture 46 Redes multicamada – cálculo do erro

Lecture 47 Descida do gradiente

Lecture 48 Cálculo do parâmetro delta

Lecture 49 Ajuste dos pesos com backpropagation

Lecture 50 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 51 Funções de ativação I

Lecture 52 Funções de ativação II

Section 10: Considerações finais

Lecture 53 AULA BÔNUS

Pessoas interessadas em deep learning (aprendizagem profunda),Pessoas interessadas em aprender como modelar a construção de um carro autônomo virtual,Pessoas interessadas em aprendizagem por reforço com o algoritmo Deep Q-Learning,Analistas de dados que queiram aumentar seu conhecimento na área de deep learning (aprendizagem profunda),Alunos de graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial

Course Information:

Udemy | Português | 6h 4m | 2.53 GB
Created by: Jones Granatyr

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top