O que você aprenderá
- Desenvolva todos os exemplos do curso utilizando a biblioteca PyTorch
- 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, auto encoders, redes adversariais generativas, transferência de aprendizagem e transferência de estilo
- 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
- Crie novas imagens utilizando redes adversariais generativas
- Utilize autoencoders para compactar imagens
- Crie um classificador de imagens personalizado utilizando modelos que já foram treinados para detectar mais de 1.000 objetos
- Utilize transferência de estilo para combinar um quadro da Tarlisa de Amaral com a foto do Mister Bean!
Requisitos
- Conhecimento sobre lógica de programação, principalmente estruturas condicionais e de repetição
- Básico sobre programação em Python, apesar de que é possível acompanhar o curso sem conhecer essa linguagem com profundidade
- Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial não são obrigatórios. No final do curso existem vários anexos com aulas básicas sobre esses assuntos caso seja seu primeiro contato com a área
- Básico sobre Orientação a Objetos, como o entendimento sobre classes, objetos, atributos e métodos
Descrição
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 a biblioteca PyTorch o Python! Este curso apresenta 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, autoencoders, redes adversariais generativas (GANs), redes neurais recorrentes, transferência de aprendizagem (transfer learning) e transferência de estilos (style transfer). 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 imagens 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
- Compactação (redução de dimensionalidade) de imagens
- Criação automática de imagens com GANs
- Classificação de objetos personalizados
- Combinação de estilos de imagens: um quadro da Tarlisa de Amaral com uma foto do Mister Bean!
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!
Para quem é este curso
- Pessoas interessadas em conhecer a biblioteca PyTorch para Deep Learning
- Pessoas interessadas em iniciar seus estudos em deep learning (aprendizagem profunda)
- Pessoas interessadas em redes neurais artificiais, bem como arquitetura mais avançadas deste tipo de algoritmo de inteligência artificial
- 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 ou pós-graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial
estou amando