TensorFlow Machine Learning e Deep Learning com Python

Construa redes neurais artificiais modernas com o Google TensorFlow e especialize-se em Inteligência Artificial!
TensorFlow Machine Learning e Deep Learning com Python
File Size :
6.85 GB
Total length :
18h 57m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2021

Ratings

4.3/5

TensorFlow Machine Learning e Deep Learning com Python

What you’ll learn

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, autoencoders e redes adversariais generativas
Avalie e configure os parâmetros de uma rede neural com o TensorFlow
Desenvolva redes neurais robustas utilizando o TensorFlow
Construa passo a passo redes neurais aplicadas em problemas de classificação e regressão
Implemente redes neurais convolucionais para classificar imagens
Aplique redes neurais recorrentes em séries temporais
Reduza a dimensionalidade de bases de dados utilizando autoencoders
Crie novas imagens automaticamente utilizando redes adversariais generativas

TensorFlow Machine Learning e Deep Learning com Python

Requirements

O único pré-requisito obrigatório é conhecimento sobre lógica de programação, principalmente estruturas condicionais e de repetição
Também são necessários 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 Python não são obrigatórios, sendo possível acompanhar o curso sem saber essa linguagem com profundidade
Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial não são obrigatórios. No final do curso existe um apêndice com várias aulas básicas sobre esses assuntos caso seja seu primeiro contato com a área

Description

Atenção! Nas aulas deste curso é utilizada a versão 1.x do TensorFlow, sendo possível acompanhar as aulas utilizando essa versão. Adicionalmente, disponibilizamos o código atualizado considerando a versão 2.x. Em breve pretendemos regravar todas as aulas deste cursoA 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! Para isso, o conteúdo está dividido em sete partes: introdução prática ao TensorFlow, regressão e classificação, redes neurais artificiais, redes neurais convolucionais, redes neurais recorrentes, autoencoders e redes adversariais generativas. Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais. Abordaremos dois tipos de programação com o TensorFlow: utilizando a Low Level e a High Level API. Na primeira faremos a codificação manualmente e definiremos as fórmulas matemáticas, enquanto que na segunda usaremos classes prontas para a implementação!Veja abaixo alguns dos projetos que serão desenvolvidos:Previsão do preço de casas baseado nas características da casaClassificação de tipos de plantasClassificação da faixa salarial de pessoasClassificação de dígitos escritos a mão (visão computacional)Construção de série temporal para previsão de preços de açõesRedução de dimensionalidade em imagensCriação automática de imagensAo final de cada seção teórica você tem questionários para revisar o conteúdo, bem como indicações de referências complementares caso você queira aprender mais sobre os assuntos.Importante: as aulas foram gravadas utilizando o TensorFlow 1.x, porém, o código fonte está totalmente atualizado para a versão 2.x do TensorFlow!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! É também importante enfatizar que o único pré-requisito necessário é saber lógica de programação, pois mesmo se você não seja especialista na linguagem Python você conseguirá acompanhar o curso sem nenhum problema!Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

Lecture 3 Introdução a Deep Learning

Lecture 4 Instalação do Anaconda

Lecture 5 Problemas de instalação do Anaconda

Lecture 6 Spyder

Lecture 7 Jupyter Notebook

Lecture 8 Introdução ao TensorFlow

Lecture 9 IMPORTANTE: Atualizações no código fonte

Lecture 10 Código fonte completo + slides das aulas

Section 2: —– Parte 1 – Introdução prática ao TensorFlow —–

Lecture 11 Introdução a Parte 1 – Introdução ao TensorFlow

Section 3: Sintaxe básica

Lecture 12 Compatibilidade TensorFlow 1.x e 2.x

Lecture 13 Constantes

Lecture 14 Variáveis I

Lecture 15 Variáveis II

Lecture 16 Adição de vetores e matrizes

Lecture 17 Multiplicação de matrizes

Lecture 18 Produto escalar

Lecture 19 Placeholders

Lecture 20 Grafos e TensorBoard

Section 4: —– Parte 2 – Regressão e classificação —–

Lecture 21 Introdução a Parte 2 – Regressão e classificação

Section 5: Regressão linear

Lecture 22 Regressão linear – teoria

Lecture 23 Regressão linear com sklearn

Lecture 24 Regressão linear com TensorFlow I

Lecture 25 Regressão linear com TensorFlow II

Lecture 26 Previsão do preço de casas I

Lecture 27 Previsão do preço de casas II

Lecture 28 Regressão linear simples com estimators I

Lecture 29 Regressão linear simples com estimators II

Lecture 30 Regressão linear múltipla com estimators I

Lecture 31 Regressão linear múltipla com estimators II

Section 6: Classificação

Lecture 32 Classificação – introdução

Lecture 33 Regressão logística – introdução

Lecture 34 Regressão logística com sklearn

Lecture 35 Regressão logística com estimators I

Lecture 36 Regressão logística com estimators II

Section 7: —– Parte 3 – Redes neurais artificiais —–

Lecture 37 Introdução a Parte 3 – Redes Neurais Artificiais

Section 8: Teoria resumida sobre redes neurais artificiais

Lecture 38 Perceptron de uma camada

Lecture 39 Redes multicamada – função soma e função de ativação

Lecture 40 Redes multicamada – cálculo do erro

Lecture 41 Descida do gradiente

Lecture 42 Cálculo do parâmetro delta

Lecture 43 Ajuste dos pesos com backpropagation

Lecture 44 Bias, erro, descida do gradiente estocástico e mais parâmetros

Lecture 45 Funções de ativação – implementação I

Lecture 46 Funções de ativação – implementação II

Lecture 47 TensorFlow playground

Lecture 48 Referências complementares

Section 9: Redes neurais para classificação e regressão com TensorFlow

Lecture 49 Perceptron de uma camada I

Lecture 50 Perceptron de uma camada II

Lecture 51 Classificação binária – XOR I

Lecture 52 Classificação binária – XOR II

Lecture 53 Classificação binária – XOR III

Lecture 54 Classificação multiclasse – base iris I

Lecture 55 Classificação multiclasse – base iris II

Lecture 56 Base de dados de dígitos manuscritos

Lecture 57 Classificação de dígitos manuscritos I

Lecture 58 Classificação de dígitos manuscritos II

Lecture 59 Classificação de dígitos manuscritos III

Lecture 60 Classificação com estimators – base censo I

Lecture 61 Classificação com estimators – base censo II

Lecture 62 Padronização com TensorFlow

Lecture 63 Regressão com estimators – base casas

Section 10: —– Parte 4 – Redes Neurais Convolucionais —–

Lecture 64 Introdução a Parte 4 – Redes Neurais Convolucionais

Section 11: Teoria sobre redes neurais convolucionais

Lecture 65 Introdução a redes neurais convolucionais I

Lecture 66 Introdução a redes neurais convolucionais II

Lecture 67 Etapa 1 – operador de convolução (introdução)

Lecture 68 Etapa 1 – operador de convolução (cálculo)

Lecture 69 Etapa 2 – pooling

Lecture 70 Etapa 3 – flattening

Lecture 71 Etapa 4 – rede neural densa

Lecture 72 Referências complementares

Section 12: Classificação de dígitos escritos a mão

Lecture 73 Redes convolucionais com estimators I

Lecture 74 Redes convolucionais com estimators II

Lecture 75 Redes convolucionais com estimators III

Lecture 76 Redes convolucionais com estimators IV

Lecture 77 Redes convolucionais com estimators V

Lecture 78 Redes convolucionais com estimators VI

Section 13: —– Parte 5 – Redes Neurais Recorrentes —–

Lecture 79 Introdução a Parte 5 – Redes Neurais Recorrentes

Section 14: Teoria sobre redes neurais recorrentes

Lecture 80 Introdução a redes neurais recorrentes

Lecture 81 Gradiente desaparecendo – gradient vanish problem

Lecture 82 LSTM – long-short term memory

Lecture 83 Referências complementares

Section 15: Série temporal – preços da bolsa de valores

Lecture 84 Base de dados para redes recorrentes I

Lecture 85 Base de dados para redes recorrentes II

Lecture 86 Redes neurais recorrentes I

Lecture 87 Redes neurais recorrentes II

Lecture 88 Redes neurais recorrentes III

Section 16: —– Parte 6 – Autoencoders —–

Lecture 89 Introdução a Parte 6 – Autoencoders

Section 17: Teoria sobre autoencoders

Lecture 90 Introdução a autoencoders

Lecture 91 Tipos de autoencoders

Lecture 92 Referências complementares

Section 18: Redução de dimensionalidade

Lecture 93 Base de dados de crédito

Lecture 94 Autoencoder linear – base crédito I

Lecture 95 Autoencoder linear – base crédito II

Lecture 96 Stacked autoencoder – MNIST I

Lecture 97 Stacked autoencoder – MNIST II

Lecture 98 Stacked autoencoder – MNIST III

Section 19: —– Parte 7 – Redes Adversariais Generativas (GANs) —–

Lecture 99 Introdução a Parte 7 – Redes Adversariais Generativas (GANs)

Section 20: Teoria sobre GANs

Lecture 100 Introdução a GANs

Lecture 101 GANs – aprendizagem

Lecture 102 Referências complementares

Section 21: Geração automática de caracteres

Lecture 103 Construção da GAN – MNIST I

Lecture 104 Construção da GAN – MNIST II

Lecture 105 Construção da GAN – MNIST III

Lecture 106 Construção da GAN – MNIST IV

Section 22: Apêndice A – Básico sobre aprendizagem de máquina

Lecture 107 Introdução à seção

Lecture 108 Métodos preditivos

Lecture 109 Métodos descritivos

Lecture 110 Tipos de aprendizagem de máquina

Lecture 111 Introdução a avaliação de algoritmos

Lecture 112 Introdução a redes neurais artificiais I

Lecture 113 Introdução a redes neurais artificiais II

Section 23: Considerações finais

Lecture 114 Considerações finais

Lecture 115 AULA BÔNUS

Pessoas interessadas em iniciar seus estudos em deep learning (aprendizagem profunda),Pessoas interessadas em conhecer o funcionamento do TensorFlow do Google,Pessoas interessadas em redes neurais artificiais, convolucionais, recorrentes, autoencoders e redes adversariais generativas,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

Course Information:

Udemy | Português | 18h 57m | 6.85 GB
Created by: Jones Granatyr

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

New Courses

Scroll to Top