Name: Introdução a Deep Learning com PyTorch
Rating: 4.819167473378509 (5165 reviews)

Descrição do curso

Entendendo o poder da aprendizagem profunda

A aprendizagem profunda está em toda parte: em câmeras de smartphones, assistentes de voz e carros autônomos. Ela até ajudou a descobrir estruturas de proteínas e a vencer humanos no jogo de Go. Descubra essa tecnologia avançada e saiba como aproveitá-la usando o PyTorch, uma das bibliotecas de aprendizagem profunda mais populares.

Treine sua primeira rede neural

Primeiro, você deve abordar a diferença entre a aprendizagem profunda e a aprendizagem de máquina "clássica". Você aprenderá sobre o processo de treinamento de uma rede neural e como escrever um loop de treinamento. Para isso, você criará funções de perda para problemas de regressão e classificação e aproveitará o PyTorch para calcular suas derivadas.

Avalie e aprimore seu modelo

Na segunda parte, aprenda os diferentes hiperparâmetros que você pode ajustar para aprimorar seu modelo. Depois de aprender sobre os diferentes componentes de uma rede neural, você poderá criar arquiteturas maiores e mais complexas. Para medir o desempenho do seu modelo, você usará o TorchMetrics, uma biblioteca do PyTorch para avaliação de modelos.

Após a conclusão, você será capaz de aproveitar o PyTorch para resolver problemas de classificação e regressão em dados tabulares e de imagem usando a aprendizagem profunda. Um recurso vital para profissionais de dados experientes que desejam avançar em suas carreiras.

Pré-requisitos

Supervised Learning with scikit-learn Introduction to NumPy Python Toolbox

Programa de estudos

Descrição do curso

Introdução ao PyTorch, uma biblioteca de Deep Learning

Carros autônomos, smartphones, mecanismos de busca... Deep learning está em toda parte. Antes de começar a criar modelos complexos, você vai se familiarizar com o PyTorch, um framework de deep learning. Você vai aprender a manipular tensores, criar estruturas de dados do PyTorch e construir sua primeira rede neural no PyTorch com camadas lineares.

Iniciar capítulo

Arquitetura de redes neurais e hiperparâmetros

Para treinar uma rede neural no PyTorch, primeiro você precisa entender componentes adicionais, como funções de ativação e de perda. Em seguida, verá que treinar uma rede exige minimizar essa função de perda, o que é feito calculando gradientes. Você vai aprender a usar esses gradientes para atualizar os parâmetros do seu modelo.

Iniciar capítulo

Treinando uma rede neural com PyTorch

Agora que você aprendeu os componentes-chave de uma rede neural, vai treinar uma usando um loop de treinamento. Você explorará possíveis problemas, como o desaparecimento de gradientes, e aprenderá estratégias para lidar com isso, como funções de ativação alternativas e ajuste de taxa de aprendizado e momentum.

Iniciar capítulo

Avaliando e melhorando modelos

Treinar um modelo de deep learning é uma arte, e para garantir que nosso modelo seja treinado corretamente, precisamos acompanhar certas métricas durante o treinamento, como a perda e a acurácia. Vamos aprender a calcular essas métricas e a reduzir o overfitting.