Redes Neurais Artificiais em R

Aprenda na teoria e na prática os fundamentos das redes neurais em R e entre para o mundo do Deep Learning!
Redes Neurais Artificiais em R
File Size :
3.58 GB
Total length :
7h 19m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.7/5

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

Redes Neurais Artificiais em R

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

New Courses

Scroll to Top