O que você aprenderá
- 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, mapas auto organizáveis, boltzmann machines, auto encoders e redes adversariais generativas
- Avalie e configure os parâmetros de uma rede neural
- Construa passo a passo redes neurais aplicadas em problemas de classificação e regressão
- Construa passo a passo uma rede neural para prever o preço de veículos usados e prever a venda de jogos de vídeo games
- Implemente redes neurais convolucionais para classificar dígitos escritos a mão e também para identificar gatos e cachorros em imagens
- Implemente uma rede neural recorrente para prever os preços das ações da Petrobras
- Implemente mapas auto organizáveis aplicados em agrupamento de dados e detecção de fraudes em bases financeiras
- Reduza a dimensionalidade de bases de dados utilizando Boltzmann Machines e autoencoders
- Crie um sistema de recomendação utilizando Boltzmann Machines
- Crie novas imagens utilizando redes adversariais generativas
Requisitos
- 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
Descrição
Importante: o código fonte está atualizado para as últimas versões das bibliotecas, inclusive o TensorFlow 2.0!
A 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).
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 Python! Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos sobre as redes neurais até técnicas mais modernas e avançadas, de modo que 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: redes neurais artificiais, redes neurais convolucionais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, 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. Veja abaixo alguns dos projetos que serão desenvolvidos:
- Classificação se um câncer é maligno ou benigno baseado nos dados do tumor
- Classificação de tipos de plantas
- Previsão do preço de veículos usados baseado nas características do carro
- Previsão de quanto um jogo de vídeo game venderá
- Classificação de dígitos escritos a mão
- Classificação de imagens de gatos e cachorros
- Classificação das imagens do Homer e Bart, do desenho dos Simpsons
- Classificação de objetos, como por exemplo: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhões
- Construção de série temporal para previsão dos preços das ações da Petrobrás
- Previsão da poluição na China em determinadas horas do dia
- Agrupamento de tipos de vinhos baseados nas características do produto
- Agrupamento de câncer que são malignos ou benignos
- Detecção de clientes que podem tentar fraude em bases de dados financeiras
- Redução de dimensionalidade em imagens
- Desenvolvimento de um sistema de recomendação básico de filmes
- Comparação de sistemas de recomendação utilizando redes neurais e utilizando técnicas clássicas de filtragem colaborativa
- Criação automática de imagens
Ao 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. E ao final de cada seção prática, você encontra projetos de programação para fortalecer o conteúdo sobre as implementações, todos com as soluções para você comparar com o seu progresso!
Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning, 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!
Para quem é este curso
- Pessoas interessadas em iniciar seus estudos em deep learning (aprendizagem profunda)
- Pessoas interessadas em redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, 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
Consegui desenvolver uma parte significativa do meu TCC com os conhecimentos adquiridos ao longo do curso. Obrigada!