Tensorflow 20 Um Guia Completo sobre o novo TensorFlow

Crie aplicações incríveis de Aprendizado Profundo (Deep Learning) e Inteligência Artificial com a biblioteca do Google
Tensorflow 20 Um Guia Completo sobre o novo TensorFlow
File Size :
3.86 GB
Total length :
12h 20m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.7/5

Tensorflow 20 Um Guia Completo sobre o novo TensorFlow

What you’ll learn

Como usar o TensorFlow 2.0 em Data Science
Diferenças importantes entre o TensorFlow 1.x e o TensorFlow 2.0
Como implementar redes neurais artificiais, redes neurais convolucionais e redes neurais recorrente com o TensorFlow 2.0
Como criar seu próprio aplicativo de Transfer Learning (transferência de aprendizagem) no TensorFlow 2.0
Como criar um bot para negociação no mercado de ações usando Aprendizagem por Reforço
Como conduzir validação de dados com o TensorFlow Data Validation (TFDV)
Como trabalhar com pré-processamento com o TensorFlow Transform (TFT)
Como colocar um modelo do TensorFlow em produção utilizando a API Flask
Como colocar um modelo do TensorFlow em produção utilizando TensorFlow Serving e API RESTful

Tensorflow 20 Um Guia Completo sobre o novo TensorFlow

Requirements

Lógica de programação, principalmente estruturas condicionais e de repetição
Conhecimentos sobre Orientação a Objetos
Programação básica em Python
Conhecimentos sobre instalação de softwares básicos, porém, durante o curso será mostrado o processo de instalação das ferramentas utilizadas durante todo o curso
Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial não são obrigatórios. No final do curso existem quatro anexos com aulas básicas sobre esses assuntos caso seja seu primeiro contato com a área

Description

Bem-vindo(a) ao Tensorflow 2.0!O TensorFlow 2.0 foi lançado recentemente e introduziu muitos recursos que simplificam os processos de desenvolvimento e manutenção de modelos de aprendizagem de máquina. Do ponto de vista educacional, a nova versão está mais fácil para trabalhar e simplifica alguns conceitos complexos. Com relação a aplicações comerciais, os modelos são muito mais fáceis de entender, manter e desenvolver.O curso está estruturado de forma a abranger os principais tópicos da área de Deep Learning, desde a modelagem e treinamento de redes neurais até sua produção.Na parte 1 do curso, você aprenderá os conceitos básicos e a sintaxe do TensorFlow 2.0, principalmente algumas diferentes importantes se comparado com o TensorFlow 1.xNa parte 2, o foco será em Deep Learning! Você implementará vários tipos de redes neurais: redes neurais simples, redes neurais convolucionais e redes neurais recorrentes. Além disso, no final desta seção você aprenderá a utilizar a técnica de Transferência de Aprendizagem (Transfer Learning) que alcançará resultados considerados do “estado da arte” em uma base de dados para identificação de imagens!Na parte 3 você aprenderá a criar o seu próprio “bot” de negociação no mercado de ações utilizando Aprendizagem por Reforço, usando especificamente o algoritmo de Deep Q-Learning! No final das execuções e simulação com uma base de dados real, teremos lucros de mais de U$ 1.300 dólares!A parte 4 trata do TensorFlow Extended (TFX), na qual você aprenderá como trabalhar com dados e criar seus próprios fluxos de dados (pipelines) para produção. Inicialmente verificaremos se o conjunto de dados tem alguma anomalia usando a biblioteca de validação de dados do TensorFlow (TFDV). Logo após, você aprenderá como utilizar o próprio TensorFlow para aplicar pré-processamento em bases de dados usando TensorFlow Transform (TFT).Por fim, o foco da parte 5 será em como disponibilizar um modelo em ambiente de produção utilizando a API Flask com acesso via web e também utilizando comunicação REST por meio do TensorFlow Serving. De uma maneira muito fácil, você criará sua própria API de classificação de imagem que pode suportar milhões de solicitações por dia! Atualmente, está se tornando cada vez mais popular instalar um modelo de Deep Learning dentro de um aplicativo Android ou iOS, portanto, na próxima seção do curso você aprenderá a salvar um modelo para dispositivos móveis utilizando o TensorFlow Lite! Por fim, você também aprenderá como utilizar técnicas de treinamento distribuído para otimizar o processo de treinamento.Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning e o TensorFlow, 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? Aguardamos você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Bem-vindo(a) ao curso!

Lecture 2 Currículo do curso + slides

Lecture 3 Mais sobre Inteligência Artificial

Section 2: Básico do TensorFlow

Lecture 4 Do TensorFlow 1.x para o TensorFlow 2.0 – Constantes, variáveis e tensores

Lecture 5 Operações com tensores

Lecture 6 Strings

Section 3: Redes Neurais Artificiais

Lecture 7 Configuração do Projeto

Lecture 8 Pré-processamento

Lecture 9 Construção da Rede Neural Artificial

Lecture 10 Treinamento da Rede Neural Artificial

Lecture 11 Avaliação da Rede Neural Artificial

Lecture 12 Tarefa

Lecture 13 Solução da Tarefa

Section 4: Redes Neurais Convolucionais

Lecture 14 Configuração do Projeto e Pré-processamento

Lecture 15 Construção da Rede Neural Convolucional

Lecture 16 Treinamento e Avaliação da Rede Neural Convolucional

Lecture 17 Tarefa

Section 5: Redes Neurais Recorrentes

Lecture 18 Configuração do Projeto e Pré-processamento

Lecture 19 Construção da Rede Neural Recorrente

Lecture 20 Treinamento e Avaliação da Rede Neural Recorrente

Section 6: Transferência de Aprendizado e Fine Tuning

Lecture 21 O que é Transferência de Aprendizado?

Lecture 22 Configuração do Projeto

Lecture 23 Pré-processamento

Lecture 24 Carregamento do Modelo MobileNet V2

Lecture 25 Congelamento do Modelo Pré-treinado

Lecture 26 Cabeçalho Personalizado no Modelo Pré-treinado

Lecture 27 Definição do Modelo de Transferência

Lecture 28 Compilação do Modelo de Transferência

Lecture 29 Geradores de Imagens

Lecture 30 Transferência de Aprendizagem

Lecture 31 Avaliação dos Resultados

Lecture 32 Definição do Fine Tuning

Lecture 33 Compilação do Fine Tuning

Lecture 34 Aplicação do Fine Tuning

Lecture 35 Avaliação do Fine Tuning

Section 7: Aprendizagem por Reforço Profunda para Negociação no Mercado de Ações

Lecture 36 Configuração do Projeto

Lecture 37 IA Trader 1

Lecture 38 IA Trader 2

Lecture 39 IA Trader 3

Lecture 40 IA Trader 4

Lecture 41 IA Trader 5

Lecture 42 Dataset Loader Function

Lecture 43 Criação dos Estados

Lecture 44 Carregamento da Base de Dados

Lecture 45 Definição do Modelo

Lecture 46 Treinamento I

Lecture 47 Treinamento II

Section 8: Validação de Dados com TFDV (TensorFlow Data Validation)

Lecture 48 Configuração do Projeto

Lecture 49 Carregamento da Base de Dados

Lecture 50 Criação da Estrutura da Base de Dados

Lecture 51 Computação das Estatísticas da Base de Teste

Lecture 52 Detecção de Anomalias

Lecture 53 Preparação do Schema para Produção

Lecture 54 Salvando o schema

Lecture 55 Material Complementar

Section 9: Pré-processamento de Dados com TFT (TensorFlow Transform)

Lecture 56 Configuração do Projeto

Lecture 57 Pré-processamento Inicial da Base de Dados

Lecture 58 Dataset Metadata

Lecture 59 Função de Pré-processamento

Lecture 60 Pipeline de Pré-processamento

Lecture 61 Material Complementar

Section 10: API com Flask e TensorFlow 2.0

Lecture 62 Configuração do Projeto

Lecture 63 Importação das Dependências

Lecture 64 Carregamento do Modelo Pré-treinado

Lecture 65 Definição da Aplicação Flask

Lecture 66 Criação da Função de Classificação

Lecture 67 Iniciando a Aplicação Flask

Lecture 68 Enviando Requisições ao Modelo

Section 11: API de Classificação de Imagens com TensorFlow Serving

Lecture 69 O que é TensorFlow Serving?

Lecture 70 Arquitetura do TensorFlow Serving

Lecture 71 Configuração do Projeto

Lecture 72 Pré-processamento

Lecture 73 Definição, Treinamento e Avaliação do Modelo

Lecture 74 Salvando o Modelo para Produção

Lecture 75 Configuração do Modelo no TensorFlow Serving

Lecture 76 Criação de Objeto JSON

Lecture 77 Enviando o Primeiro POST para o Modelo

Lecture 78 Enviando Requisições POST para um Modelo Específico

Section 12: TensorFlow Lite: Prepare o Modelo para Dispositivos Móveis

Lecture 79 O que é o TensorFlow Lite?

Lecture 80 Configuração do Projeto

Lecture 81 Pré-processamento dos Dados

Lecture 82 Construção do Modelo

Lecture 83 Treinamento e Avaliação do Modelo

Lecture 84 Salvando o Modelo

Lecture 85 TensorFlow Lite Converter

Lecture 86 Conversão do Modelo para o TensorFlow Lite

Lecture 87 Salvando o Modelo Convertido

Lecture 88 Material Complementar

Section 13: Treinamento Distribuído com TensorFlow 2.0

Lecture 89 O que é Treinamento Distribuído?

Lecture 90 Configuração do Projeto

Lecture 91 Pré-processamento

Lecture 92 Definição de um Modelo Não Distribuído

Lecture 93 Iniciando uma Estratégia Distribuída

Lecture 94 Definição de um Modelo Distribuído

Lecture 95 Avaliação Final: Teste de Velocidade

Section 14: Anexo I – Redes Neurais Artificiais – teoria

Lecture 96 Perceptron de uma camada

Lecture 97 Redes multicamada – função soma e função de ativação

Lecture 98 Redes multicamada – cálculo do erro

Lecture 99 Descida do gradiente

Lecture 100 Cálculo do parâmetro delta

Lecture 101 Ajuste dos pesos com backpropagation

Lecture 102 Bias, erro, descida do gradiente estocástica e mais parâmetros

Lecture 103 Funções de ativação I

Lecture 104 Funções de ativação II

Section 15: Anexo II – Redes Neurais Convolucionais – teoria

Lecture 105 Introdução a redes neurais convolucionais I

Lecture 106 Introdução a redes neurais convolucionais II

Lecture 107 Etapa 1 – operador de convolução (introdução)

Lecture 108 Etapa 1 – operador de convolução (cálculo)

Lecture 109 Etapa 2 – pooling

Lecture 110 Etapa 3 – flattening

Lecture 111 Etapa 4 – rede neural densa

Section 16: Anexo III – Redes Neurais Recorrentes – teoria

Lecture 112 O que são Redes Neurais Recorrentes

Lecture 113 Problema do gradiente desaparecendo (vanish gradient problem)

Lecture 114 Long short term memory – LSTM

Lecture 115 Intuição prática

Lecture 116 Variações de LSTM

Section 17: Anexo IV – Aprendizagem por Reforço Profunda – teoria

Lecture 117 O que é aprendizagem por reforço?

Lecture 118 A Equação de Bellman

Lecture 119 O Plano

Lecture 120 Markov Decision Process – MDP

Lecture 121 Política x Plano

Lecture 122 Adição de Penalidades – Living Penalty

Lecture 123 Q-Learning – Intuição

Lecture 124 Diferença Temporal

Lecture 125 Intuição Deep Q-Learning – Aprendizagem

Lecture 126 Intuição Deep Q-Learning – Ações

Lecture 127 Replay de Experiência

Lecture 128 Políticas de Seleções de Ações

Section 18: Considerações finais

Lecture 129 AULA BÔNUS

Pessoas interessadas em aprender Deep Learning (aprendizagem profunda) com o TensorFlow 2.0,Pessoas interessadas em redes neurais artificiais, convolucionais e recorrentes,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,Engenheiros que trabalham em tecnologia e automação,Qualquer pessoa interessada em Inteligência Artificial

Course Information:

Udemy | Português | 12h 20m | 3.86 GB
Created by: Jones Granatyr

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

New Courses

Scroll to Top