Deep Learning de A a Z com PyTorch e Python

Deep Learning de A a Z com PyTorch e Python

What you’ll learn

Desenvolva todos os exemplos do curso utilizando a biblioteca PyTorch
Aprenda na teoria e na prática como construir redes neurais artificiais para resolver problemas reais do dia
Aprenda os conceitos sobre redes neurais convolucionais, redes neurais recorrentes, auto encoders, redes adversariais generativas, transferência de aprendizagem e transferência de estilo
Avalie e configure os parâmetros de uma rede neural
Construa passo a passo redes neurais aplicadas em problemas de classificação e regressão
Construa passo a passo uma rede neural para prever o preço de veículos usados e prever a venda de jogos de vídeo games
Implemente redes neurais convolucionais para classificar dígitos escritos a mão e também para identificar gatos e cachorros em imagens
Implemente uma rede neural recorrente para prever os preços das ações da Petrobras
Crie novas imagens utilizando redes adversariais generativas
Utilize autoencoders para compactar imagens
Crie um classificador de imagens personalizado utilizando modelos que já foram treinados para detectar mais de 1.000 objetos
Utilize transferência de estilo para combinar um quadro da Tarlisa de Amaral com a foto do Mister Bean!

Requirements

Conhecimento sobre lógica de programação, principalmente estruturas condicionais e de repetição
Básico sobre programação em Python, apesar de que é possível acompanhar o curso sem conhecer essa linguagem com profundidade
Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial não são obrigatórios. No final do curso existem vários anexos com aulas básicas sobre esses assuntos caso seja seu primeiro contato com a área
Básico sobre Orientação a Objetos, como o entendimento sobre classes, objetos, atributos e métodos

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).A área de Deep Learning é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo que o mercado de trabalho dessa área nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação!E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Deep Learning utilizando a biblioteca PyTorch o Python! Este curso apresenta desde os conceitos mais básicos sobre as redes neurais até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Para isso, o conteúdo está dividido em sete partes: redes neurais artificiais, redes neurais convolucionais, autoencoders, redes adversariais generativas (GANs), redes neurais recorrentes, transferência de aprendizagem (transfer learning) e transferência de estilos (style transfer). Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais. Veja abaixo alguns dos projetos que serão desenvolvidos:Classificação se um câncer é maligno ou benigno baseado nos dados do tumorClassificação de tipos de plantasPrevisão do preço de veículos usados baseado nas características do carroPrevisão de quanto um jogo de vídeo game venderáClassificação de imagens de dígitos escritos a mãoClassificação de imagens de gatos e cachorrosClassificação das imagens do Homer e Bart, do desenho dos SimpsonsClassificação de objetos, como por exemplo: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhõesConstrução de série temporal para previsão dos preços das ações da PetrobrásPrevisão da poluição na China em determinadas horas do diaCompactação (redução de dimensionalidade) de imagensCriação automática de imagens com GANsClassificação de objetos personalizadosCombinação de estilos de imagens: um quadro da Tarlisa de Amaral com uma foto do Mister Bean!Ao final de cada seção prática, você encontra projetos de programação para fortalecer o conteúdo sobre as implementações, todos com as soluções para você comparar com o seu progresso! Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning, você conta com um apêndice que contém aulas básicas sobre aprendizagem de máquina e redes neurais!Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Boas-vindas e conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

Lecture 3 Introdução a Deep Learning

Lecture 4 Bases de dados + slides

Section 2: —– Parte 1 – Redes neurais artificiais —–

Lecture 5 Introdução a Parte 1 – Redes neurais artificiais

Section 3: Classificação binária – base breast cancer

Lecture 6 Projeto #1: Importação das bibliotecas

Lecture 7 Projeto #1: Base de dados

Lecture 8 Projeto #1: Transformação dos dados

Lecture 9 Projeto #1: Construção do modelo

Lecture 10 Projeto #1: Treinamento do modelo

Lecture 11 Projeto #1: Visualização dos pesos

Lecture 12 Projeto #1: Avaliação do modelo

Lecture 13 Projeto #2: Bibliotecas e base de dados

Lecture 14 Projeto #2: Classe para a rede neural

Lecture 15 Projeto #2: Skorch

Lecture 16 Projeto #2: Validação cruzada

Lecture 17 Projeto #2: Dropout

Lecture 18 Projeto #3: Bibliotecas, base de dados e rede neural

Lecture 19 Projeto #3: Tuning dos parâmetros

Lecture 20 Projeto #4: Classificar um registro e salvar o classificador

Lecture 21 Projeto #5: Carregar o classificador e fazer previsões

Section 4: Classificação multiclasse – base iris

Lecture 22 Projeto #6: Bibliotecas e base de dados

Lecture 23 Projeto #6: Construção do modelo e treinamento

Lecture 24 Projeto #6: Avaliação do modelo

Lecture 25 Projeto #7: Validação cruzada

Lecture 26 Tarefa: Tuning dos parâmetros

Lecture 27 Tarefa: Salvar e carregar o modelo e classificar somente um registro

Section 5: Regressão – base de carros usados

Lecture 28 Projeto #8: Bibliotecas e pré-processamento 1

Lecture 29 Projeto #8: Pré-processamento 2

Lecture 30 Projeto #8: Pré-processamento 3

Lecture 31 Projeto #8: Construção do modelo

Lecture 32 Projeto #8: Treinamento

Lecture 33 Projeto #8: Avaliação

Lecture 34 Projeto #9: Validação cruzada

Lecture 35 Tarefa: Tuning dos parâmetros

Section 6: Regressão com múltiplas saídas – base venda de vídeo games

Lecture 36 Projeto #10: Bibliotecas e pré-processamento

Lecture 37 Projeto #10: Construção do modelo

Lecture 38 Projeto #10: Treinamento

Lecture 39 Projeto #10: Avaliação

Lecture 40 Tarefa: previsão do valor total de vendas

Section 7: —– Parte 2 – Redes neurais convolucionais —–

Lecture 41 Introdução a Parte 2 – Redes neurais convolucionais

Section 8: Classificação de dígitos escritos a mão

Lecture 42 Projeto #11: Base de dados

Lecture 43 Projeto #11: Construção do modelo

Lecture 44 Projeto #11: Treinamento

Lecture 45 Projeto #11: Avaliação

Lecture 46 Projeto #12: Validação cruzada

Lecture 47 Projeto #13: Aumento da quantidade de imagens (augmentation)

Lecture 48 TAREFA: Base de dados CIFAR-10

Section 9: Classificação de gatos de cachorros

Lecture 49 Projeto #14: Bibliotecas e construção do modelo

Lecture 50 Projeto #14: Base de dados

Lecture 51 Projeto #14: Treinamento

Lecture 52 Projeto #14: Avaliação

Lecture 53 Tarefa: Classificar Homer e Bart com rede neural densa

Lecture 54 Tarefa: Classificar Homer e Bart com rede neural convolucional

Section 10: —– Parte 3 – Autoencoders —–

Lecture 55 Introdução a Parte 3 – Autoencoders

Section 11: Compactação de imagens

Lecture 56 Projeto #15: Construção do autoencoder

Lecture 57 Projeto #15: Treinamento

Lecture 58 Projeto #15: Codificador e decodificador

Lecture 59 Projeto #15: Visualização dos resultados

Lecture 60 Projeto #16: Autoencoders e classificação 1

Lecture 61 Projeto #16: Autoencoders e classificação 2

Lecture 62 Projeto #16: Autoencoders e classificação 3

Lecture 63 Projeto #17: Deep autoencoders

Lecture 64 Projeto #18: Convolutional autoencoders

Lecture 65 Tarefa: Deep autoencoder na base CIFAR-10

Section 12: —– Parte 4 – GANs (Generative Adversarial Networks)

Lecture 66 Introdução a Parte 4 – GANs

Section 13: Geração automática de caracteres

Lecture 67 Projeto #19: Construção do gerador

Lecture 68 Projeto #19: Construção do discriminador

Lecture 69 Projeto #19: Treinamento do gerador

Lecture 70 Projeto #19: Treinamento do discriminador

Lecture 71 Projeto #19: Criação de novas imagens

Lecture 72 Tarefa: Geração de imagens de roupas – base Fashion MNIST

Section 14: —– Parte 5 – Redes neurais recorrentes —–

Lecture 73 Introdução a Parte 5 – Redes neurais recorrentes

Section 15: Previsão de série temporal – preços da bolsa de valores

Lecture 74 Projeto #20: Bibliotecas e base de dados

Lecture 75 Projeto #20: Construção da rede neural recorrente

Lecture 76 Projeto #20: Treinamento

Lecture 77 Projeto #20: Preparação dos dados de teste

Lecture 78 Projeto #20: Previsão do preço das ações

Lecture 79 Projeto #21: Múltiplos previsores

Lecture 80 Projeto #22: Múltiplas saídas

Lecture 81 Tarefa: Série temporal da poluição na China

Section 16: —– Parte 6 – Transferência de aprendizagem (transfer learning )—–

Lecture 82 Introdução a Parte 6 – Transferência de aprendizagem (transfer learning)

Section 17: Detecção de objetos personalizados

Lecture 83 Transferência de Aprendizagem

Lecture 84 Projeto #23: Base de dados

Lecture 85 Projeto #23: Preparação das pastas

Lecture 86 Projeto #23: Bases de treinamento e validação

Lecture 87 Projeto #23: Inspeção das imagens

Lecture 88 Projeto #23: Preparação dos dados para o PyTorch

Lecture 89 Projeto #23: Construção do modelo

Lecture 90 Projeto #23: Treinamento e validação

Lecture 91 Projeto #23: Testes com o modelo

Lecture 92 Tarefa: Transferência de aprendizagem

Section 18: —– Parte 7 – Transferência de estilo (style transfer) —–

Lecture 93 Introdução a Parte 7 – Transferência de estilo (style transfer)

Section 19: Combinação de estilos entre imagens – quadro e Mister Bean

Lecture 94 Transferência de estilo

Lecture 95 Projeto #24: Importação das biblioteca

Lecture 96 Projeto #24: Processamento das imagens

Lecture 97 Projeto #24: Criação da rede neural

Lecture 98 Projeto #24: Treinamento

Lecture 99 Projeto #24: Visualização dos resultados

Lecture 100 Tarefa: Testes com suas próprias imagens

Section 20: —– ANEXOS —–

Lecture 101 Introdução

Section 21: Básico sobre aprendizagem de máquina

Lecture 102 Classificação

Lecture 103 Introdução a avaliação de algoritmos de classificação

Lecture 104 Regressão

Lecture 105 Validação cruzada

Lecture 106 Overfitting e underfitting

Lecture 107 Introdução ao algoritmo Naïve Bayes

Section 22: Teoria básica sobre redes neurais artificiais

Lecture 108 Perceptron de uma camada

Lecture 109 Redes multicamada – função soma e função de ativação

Lecture 110 Redes multicamada – cálculo do erro

Lecture 111 Descida do gradiente

Lecture 112 Cálculo do parâmetro delta

Lecture 113 Ajuste dos pesos com backpropagation

Lecture 114 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 115 Funções de ativação I

Lecture 116 Funções de ativação II

Section 23: Teoria sobre redes neurais convolucionais

Lecture 117 Introdução a redes neurais convolucionais I

Lecture 118 Introdução a redes neurais convolucionais II

Lecture 119 Etapa 1 – operador de convolução (introdução)

Lecture 120 Etapa 1 – operador de convolução (cálculo)

Lecture 121 Etapa 2 – pooling

Lecture 122 Etapa 3 – flattening

Lecture 123 Etapa 4 – rede neural densa

Section 24: Teoria sobre autoencoders

Lecture 124 Introdução a autoencoders

Lecture 125 Tipos de autoencoders

Section 25: Teoria sobre GANs

Lecture 126 Introdução a GANs

Lecture 127 GANs – aprendizagem

Section 26: Teoria sobre redes neurais recorrentes

Lecture 128 Introdução a redes neurais recorrentes

Lecture 129 Gradiente desaparecendo (gradient vanish problem)

Lecture 130 LSTM (long-short term memory)

Section 27: Considerações finais

Lecture 131 AULA BÔNUS

Pessoas interessadas em conhecer a biblioteca PyTorch para Deep Learning,Pessoas interessadas em iniciar seus estudos em deep learning (aprendizagem profunda),Pessoas interessadas em redes neurais artificiais, bem como arquitetura mais avançadas deste tipo de algoritmo de inteligência artificial,Empreendedores que queiram aplicar aprendizagem de máquina em projetos comerciais,Analistas de dados que queiram aumentar seu conhecimento na área de deep learning (aprendizagem profunda),Empresários que desejam criar soluções eficientes para problemas reais em suas empresas,Alunos de graduação ou pós-graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial

Course Information:

Udemy | Português | 16h 17m | 5.60 GB
Created by: Jones Granatyr

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