Deep Learning Pratico com TensorFlow e Python

Crie passo a passo 16 projetos utilizando modernas técnicas de Machine Learning! Especialize-se em Deep Learning!
Deep Learning Pratico com TensorFlow e Python
File Size :
5.44 GB
Total length :
14h 48m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.8/5

Deep Learning Pratico com TensorFlow e Python

What you’ll learn

Construa perceptrons simples para converter temperaturas de Celsius para Fahrenheit
Utilize regressão para fazer previsões de vendas de sorvotes, preços de casas e aluguel de bicicletas
Construa redes neurais para análise de sentimentos utilizando base de dados de textos
Classifique sinais de trânsito de imagens com redes neurais convolucionais
Utilize transferência de aprendizagem para classificar objetos
Use a rede neural pré-treinada LeNet para classificar imagens
Construa autoencoders para retirar ruído de imagens e compactá-las
Aprenda a teoria e a prática do algoritmo Deep Dream para gerar imagens com efeitos alucinógenas
Gere textos automaticamente utilizando redes neurais recorrentes
Crie novas imagens que nunca existiram antes usando redes adversariais generativas (GANs)

Deep Learning Pratico com TensorFlow e Python

Requirements

Lógica de programação, principalmente estruturas condicionais e de repetição
Programação básica em Python
Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial são desejáveis mas não obrigatórios. No final do curso existe um anexo com aulas básicas sobre a teoria básica sobre redes neurais artificiais

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). E a maioria dessas aplicações foram desenvolvidas utilizando a biblioteca TensorFlow do Google, que hoje em dia é a ferramenta mais popular e utilizada nesse cenário. Por isso, é de suma importância que profissionais ligados à área de Inteligência Artificial e Machine Learning saibam como trabalhar com essa biblioteca, já que várias grandes empresas a utilizam em seus sistemas, tais como: Airbnd, Airbus, eBay, Dropbox, Intel, IBM, Uber, Twitter, Snapchat e também o próprio Google!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 o TensorFlow e o Python! 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! Veja abaixo a lista de projetos que você desenvolverá:Criação de imagens com efeitos alucinógenos utilizando Deep DreamGeração automática de textos com redes neurais recorrentesCriação de imagens que nunca existiram antes utilizando GANs (redes adversariais generativas)Autoencoders para retirar ruído e compactação de imagensTransferência de aprendizagem para utilizar modelos de Machine Learning já treinado por outros desenvolvedores, inclusive implementando a arquitetura LeNet de redes neurais convolucionaisClassificação de sinais de trânsito, objetos e roupas com redes neurais convolucionaisClassificação de textos e análise de sentimentos, aplicado em base de dados textuaisClassificação se uma pessoa tem propensão a ter diabetesRegressão para prever o aluguel de bicicletas, venda de sorvetes e preço de casasCriação de perceptron simples para conversão de temperatura de graus Celsius para graus FahrenheitEste 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 redes neurais!Preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Boas-vindas e conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

Lecture 3 Slides

Section 2: Construção do primeiro perceptron

Lecture 4 Projeto #1: Conversão de Celsius para Fahrenheit

Lecture 5 O que são redes neurais e como elas aprendem

Lecture 6 Projeto #1: Codificação 1

Lecture 7 Projeto #1: Codificação 2

Lecture 8 Projeto #1: Codificação 3

Lecture 9 Projeto #2: Venda de sorvetes

Lecture 10 Projeto #2: Tarefa

Lecture 11 Projeto #2: Codificação 1

Lecture 12 Projeto #2: Codificação 2

Section 3: Redes neurais para regressão

Lecture 13 Projeto #3: Previsão de uso de bicicletas alugadas

Lecture 14 O que é regressão

Lecture 15 Conceitos básicos 1

Lecture 16 Conceitos básicos 2

Lecture 17 Bias e variância

Lecture 18 Métricas para avaliação

Lecture 19 Projeto #3: Codificação 1

Lecture 20 Projeto #3: Codificação 2

Lecture 21 Projeto #3: Codificação 3

Lecture 22 Projeto #3: Codificação 4

Lecture 23 Projeto #3: Codificação 5

Lecture 24 Projeto #3: Codificação 6

Lecture 25 Projeto #4: Previsão do preço de casas

Lecture 26 Projeto #4: Codificação 1

Lecture 27 Projeto #4: Codificação 2

Lecture 28 Projeto #4: Codificação 3

Section 4: Redes neurais para classificação

Lecture 29 Projeto #5: Classificação de texto e análise de sentimentos

Lecture 30 Tokenização

Lecture 31 Matriz de confusão e métricas para avaliação

Lecture 32 Projeto #5: Codificação 1

Lecture 33 Projeto #5: Codificação 2

Lecture 34 Projeto #5: Codificação 3

Lecture 35 Projeto #5: Codificação 4

Lecture 36 Projeto #5: Codificação 5

Lecture 37 Projeto #5: Codificação 6

Lecture 38 Projeto #5: Codificação 7

Lecture 39 Projeto #6: Classificação de diabetes

Lecture 40 Projeto #6: Codificação 1

Lecture 41 Projeto #6: Codificação 2

Section 5: Redes neurais convolucionais

Lecture 42 Projeto #7: Classificação de roupas

Lecture 43 Redes neurais convolucionais

Lecture 44 Projeto #7: Codificação 1

Lecture 45 Projeto #7: Codificação 2

Lecture 46 Projeto #7: Codificação 3

Lecture 47 Projeto #7: Codificação 4

Lecture 48 Projeto #7: Codificação 5

Lecture 49 Projeto #8: Classificação de sinais de trânsito

Lecture 50 Arquitetura LeNet

Lecture 51 Projeto #8: Codificação 1

Lecture 52 Projeto #8: Codificação 2

Lecture 53 Projeto #8: Codificação 3

Lecture 54 Projeto #8: Codificação 4

Lecture 55 Projeto #9: Classificação de objetos (CIFAR-10)

Lecture 56 Projeto #9: Codificação 1

Lecture 57 Projeto #9: Codificação 2

Section 6: Transferência de aprendizagem

Lecture 58 Transferência de aprendizagem

Lecture 59 Projeto #10: Gatos e cachorros – Codificação 1

Lecture 60 Projeto #10: Codificação 2

Lecture 61 Projeto #10: Codificação 3

Lecture 62 Projeto #10: Codificação 4

Lecture 63 Projeto #11: Identificação de objetos – Codificação 1

Lecture 64 Projeto #11: Codificação 2

Lecture 65 Projeto #11: Codificação 3

Lecture 66 Projeto #11: Codificação 4

Section 7: Autoencoders

Lecture 67 Autoencoders

Lecture 68 Dimensões de entrada e saída

Lecture 69 Projeto #12: Remoção de ruído de imagens – Codificação 1

Lecture 70 Projeto #12: Codificação 2

Lecture 71 Projeto #12: Codificação 3

Lecture 72 Projeto #12: Codificação 4

Lecture 73 Projeto #12: Codificação 5

Lecture 74 Projeto #13: Compactação de imagens – Codificação 1

Lecture 75 Projeto #13: Codificação 2

Section 8: Deep Dream

Lecture 76 Deep dream

Lecture 77 Projeto #14: Imagens alucinógenas – Codificação 1

Lecture 78 Projeto #14: Codificação 2

Lecture 79 Projeto #14: Codificação 3

Lecture 80 Projeto #14: Codificação 4

Lecture 81 Projeto #14: Codificação 5

Lecture 82 Projeto #14: Codificação 6

Lecture 83 Projeto #14: Codificação 7

Lecture 84 Projeto #14: Codificação 8

Section 9: GANs (Redes adversariais generativas)

Lecture 85 GANs

Lecture 86 Projeto #15: Geração de imagens – Codificação 1

Lecture 87 Projeto #15: Codificação 2

Lecture 88 Projeto #15: Codificação 3

Lecture 89 Projeto #15: Codificação 4

Lecture 90 Projeto #15: Codificação 5

Lecture 91 Projeto #15: Codificação 6

Lecture 92 Projeto #15: Codificação 7

Lecture 93 Projeto #15: Codificação 8

Lecture 94 Projeto #15: Codificação 9

Section 10: Redes neurais recorrentes

Lecture 95 Redes neurais recorrentes

Lecture 96 Projeto #16: Geração de textos – Codificação 1

Lecture 97 Projeto #16: Codificação 2

Lecture 98 Projeto #16: Codificação 3

Lecture 99 Projeto #16: Codificação 4

Lecture 100 Projeto #16: Codificação 5

Lecture 101 Projeto #16: Codificação 6

Lecture 102 Projeto #16: Codificação 7

Lecture 103 Projeto #16: Codificação 8

Lecture 104 Projeto #16: Codificação 9

Lecture 105 TensorFlow Serving

Section 11: Anexo I – Redes Neurais Artificiais

Lecture 106 Perceptron de uma camada

Lecture 107 Redes multicamada – função soma e função de ativação

Lecture 108 Redes multicamada – cálculo do erro

Lecture 109 Descida do gradiente

Lecture 110 Cálculo do parâmetro delta

Lecture 111 Ajuste dos pesos com backpropagation

Lecture 112 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 113 Funções de ativação I

Lecture 114 Funções de ativação II

Section 12: Considerações finais

Lecture 115 AULA BÔNUS

Pessoas interessadas em aprender Deep Learning (aprendizagem profunda) com o TensorFlow 2.0 e o Python,Pessoas interessadas em iniciar uma carreira em Ciência de Dados utilizando técnicas modernas de aprendizagem de máquina,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 que estão estudando disciplinas ligadas a área de Inteligência Artificial,Desenvolvedores Python que desejam entrar na área de Deep Learning e Inteligência Artificial,Qualquer pessoa interessada em Inteligência Artificial

Course Information:

Udemy | Português | 14h 48m | 5.44 GB
Created by: Jones Granatyr

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

New Courses

Scroll to Top