Seu Estado
Não Matriculado
Preço
Assinantes

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 artificiaisredes neurais convolucionaisredes neurais recorrentesmapas auto organizáveisboltzmann machinesautoencoders 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

Conteúdo do Curso

Expandir
Parte 1 - Redes Neurais Artificiais
Parte 2 - Redes neurais convolucionais
Parte 3 - Redes neurais recorrentes
Parte 4 - Mapas auto organizáveis
Parte 5 - Boltzmann Machines
Parte 6 - Autoencoders
Parte 7 - Redes Adversariais Generativas (GANs)
Conteúdo da Lição
0% Completo 0/2 Passos
1 de 2

Avaliações e Comentários

4.8
Avaliação média
287 Avaliações
5
241
4
38
3
8
2
0
1
0
Qual foi a sua experiência com esse curso? Conte para nós!
Maria Natiele dos Santos Damaceno
Publicado 3 meses atrás
Recomendo

Consegui desenvolver uma parte significativa do meu TCC com os conhecimentos adquiridos ao longo do curso. Obrigada!

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 4 meses atrás
por Celso Aparecido de França

Por enquanto está sendo bem didático, não encontrei dificuldades. Apenas na função degrau, considero que a saída dela seja 0 quando a entrada for menor que 0, e seja 1 quando a entrada esteja acima de 0. Na apresentação a saída foi considerada 0 quando a entrada era de 0,5. No caso, eu consideraria a saída 0 se a função degrau fosse deslocada no eixo X (considerando um limiar (threshold) do neurônio com um valor de 0,5 ou mais).

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 4 meses atrás
por Tiago Carneiro Pimenta

Facil de entender e ótimo aprendizado

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 5 meses atrás
por Gabriel Oliveira Brito

Bem explicativo, aponta exemplos do que será ou podera ser utilizado no curso.

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 5 meses atrás
por Bruno Otavio Piedade Prado

Dentro das expectativas, muito cedo ainda para avaliar.

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 5 meses atrás
por Felipe Savini Antunes Sanches

teria que ter uma função que poderia fazer no celular também.

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 6 meses atrás
por Fabricio Kirinus

Conteúdo relevante e bem apresentado

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 7 meses atrás
por Antonio Mascarenhas Rodrigues

EXCELENTE O CURSO

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 7 meses atrás
por João Renan Santanna Lopes

o Professor é Jones Granatyr é excelente. Um professor da faculdade o recomendou. apesar de o já conhecer, o curso de deep lesrning me surpreendeu. Curso de extrema qualidade. O curso está me ajudando a iniciar meus estudos de Iniciação Científica na faculdade. Nota: o curso possui conteúdos tanto teóricos quanto práticos, fazendo-o, assim, um curso completo na minha opinião. Vale muito a pena!

×
Preview Image
Comentário extraído do curso na Udemy
Publicado 7 meses atrás
por Pedro dos Santos Pereira

O curso é maravilhoso, a única questão é toda a sessão de GAN (Redes Adversariais Generativas) que não funcionam na nova versão do TensorFlow, até vale a pena assistir as aulas mas comprei um curso adicional apenas para esse tópico devido a isso para ter os conhecimentos práticos, só não é nota 10 por causa desse módulo, mas recomendo a compra a todos!

×
Preview Image
Mostrar mais avaliações
Qual foi a sua experiência com esse curso? Conte para nós!