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
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