Redes Neurais Artificiais em R
What you’ll learn
Aprenda passo a passo todos os cálculos matemáticos que envolvem redes neurais artificiais
Aprenda como codificar passo a passo uma rede neural utilizando a linguagem R
Entenda na teoria e na prática conceitos como perceptron, funções de ativação, backpropagation (retropropagação) e gradient descent (descida do gradiente)
Entenda como as redes neurais podem ser utilizadas em tarefas de classificação de registros
Requirements
É recomendado conhecimentos básicos sobre lógica de programação
Conhecimentos básicos em R são necessários, bem como estruturas condicionais e de repetição
Não é necessário conhecimento prévio sobre Inteligência Artificial, redes neurais ou cálculo/matemática
Description
As redes neurais artificiais são consideradas as técnicas de Machine Learning (aprendizagem de máquina) mais eficientes da atualidade, sendo que grandes empresas como Google, IBM e Microsoft tem utilizado essas técnicas em vários tipos de aplicações. Você provavelmente já deve ter visto algo sobre os carros autônomos que dirigem sozinhos, ou então sobre aplicações que conseguem gerar novas músicas, poemas, imagens e até mesmo roteiros completos de filmes! E o interessante é que a maior parte dessas aplicações foram construídas utilizando redes neurais! Essas técnicas ficaram um pouco fora de evidência há um tempo atrás, porém, com o surgimento de Deep Learning (aprendizagem profunda) as redes neurais voltaram muito forte para o cenário da Inteligência Artificial e hoje em dia são vistas como a tecnologia mais avançada para a descoberta de padrões em dados!
Um dos maiores problemas que temos visto em alunos que iniciam o aprendizado sobre redes neurais é a falta de material de fácil compreensão em português. Isso ocorre porque a maioria dos materiais existentes na literatura são bastante técnicos e com muitas fórmulas matemáticas, o que acaba tornando a aprendizagem bastante difícil para quem pretende dar seus primeiros passos neste assunto. Pensando nisso, o objetivo principal deste curso é apresentar os conceitos teóricos/matemáticos de forma simples, de modo que se você não sabe nada sobre redes neurais vai conseguir entender todos os processos. São abordados conceitos sobre perceptron, funções de ativação, redes multicamada, gradient descent (descida do gradiente) e algoritmo backpropagation (retropropagação); que são os princípios básicos para o entendimento completo de uma rede neural. Também faremos as implementações passo a passo de todos esses conceitos em R, que é uma linguagem de programação bastante importante no cenário da estatística e da Inteligência Artificial. É também importante salientar que as implementações passo a passo serão feitas sem utilizar bibliotecas específicas de machine learning no R, pois a ideia principal é que você entenda como fazer os cálculos manualmente bem como sua implementação do zero! Além disso, como bônus você vai aprender a usar a biblioteca h2o para trabalhar com Deep Learning no R!
Em resumo, se você pretende iniciar seus estudos em Deep Learning esse curso trará para você todos os conceitos iniciais necessários! É também importante enfatizar que este curso é para iniciantes em redes neurais, portanto, as explicações são bem lentas e passo a passo para que você consiga aprender os conceitos da melhor maneira possível. E caso você já tenha conhecimento neste assunto, o curso pode ser bastante útil para revisar alguns conceitos importantes!
Preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso! 🙂
Overview
Section 1: Conteúdo do curso
Lecture 1 Conteúdo do curso
Lecture 2 Mais sobre Inteligência Artificial
Section 2: Perceptron de uma camada
Lecture 3 Introdução ao módulo
Lecture 4 Introdução a redes neurais
Lecture 5 Fundamentos biológicos
Lecture 6 Neurônio artificial
Lecture 7 Perceptron de uma camada
Lecture 8 Instalação do R e RStudio
Lecture 9 Implementação perceptron de uma camada I
Lecture 10 Tipos de aprendizagem de máquina
Lecture 11 Ajuste dos pesos I
Lecture 12 Ajuste dos pesos II
Lecture 13 Implementação perceptron de uma camada II
Lecture 14 Implementação perceptron de uma camada III
Lecture 15 Implementação perceptron de uma camada IV
Lecture 16 Implementação perceptron de uma camada V
Section 3: Redes neurais multicamada
Lecture 17 Introdução ao módulo
Lecture 18 Introdução a redes neurais multicamada
Lecture 19 Funções de ativação
Lecture 20 Implementação rede multicamada I
Lecture 21 Ativação camada oculta I
Lecture 22 Ativação camada oculta II
Lecture 23 Implementação rede multicamada II
Lecture 24 Implementação rede multicamada III
Lecture 25 Ativação camada saída
Lecture 26 Implementação rede multicamada IV
Lecture 27 Cálculo do erro
Lecture 28 Implementação rede multicamada V
Lecture 29 Cálculo dos pesos e erros
Lecture 30 Descida do gradiente (gradient descent)
Lecture 31 Implementação rede multicamada VI
Lecture 32 Delta camada saída
Lecture 33 Implementação rede multicamada VII
Lecture 34 Delta camada oculta
Lecture 35 Implementação rede multicamada VIII
Lecture 36 Backpropagation, taxa de aprendizagem e momento
Lecture 37 Ajuste dos pesos com backpropagation I
Lecture 38 Implementação rede multicamada IX
Lecture 39 Ajuste dos pesos com backpropagation II
Lecture 40 Implementação rede multicamada X
Lecture 41 Implementação rede multicamada XI
Lecture 42 Bias e erro
Lecture 43 Saída com mais neurônios e Deep learning
Lecture 44 Camadas ocultas
Lecture 45 Camada de saída categórica
Lecture 46 Descida do gradiente estocástico
Lecture 47 Base de dados breast cancer
Lecture 48 Redes neurais com h2o I
Lecture 49 Redes neurais com h2o II
Section 4: Considerações finais
Lecture 50 Considerações finais
Lecture 51 Código fonte completo
Lecture 52 AULA BÔNUS
Pessoas interessadas em Inteligência Artificial,Pessoas que queiram iniciar os estudos em Deep Learning (aprendizagem profunda),Pessoas que queiram aprender o funcionamento teórico e prático de redes neurais artificiais
Course Information:
Udemy | Português | 7h 19m | 3.58 GB
Created by: Jones Granatyr
You Can See More Courses in the Developer >> Greetings from CourseDown.com