Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Aprenda aprendizagem profunda
A aprendizagem profunda é um campo da inteligência artificial em rápido desenvolvimento que revolucionou o campo da aprendizagem de máquina, permitindo avanços em áreas como visão computacional, processamento de linguagem natural e reconhecimento de fala. Os avanços mais recentes em IA generativa, incluindo geradores de imagens e chatbots de conversação, trouxeram modelos profundos de aprendizado de máquina para o centro das atenções do público. Comece a aprender sobre como a aprendizagem profunda funciona e como treinar modelos profundos hoje mesmo.Use o PyTorch, a maneira mais pythônica de fazer aprendizagem profunda
O PyTorch é uma estrutura de aprendizagem profunda avançada e flexível que permite que pesquisadores e profissionais criem e treinem redes neurais com facilidade. Adorado por pythonistas de todo o mundo, o PyTorch oferece muita flexibilidade e uma maneira intuitiva de implementar conceitos de aprendizagem profunda.Treine modelos robustos de aprendizagem profunda
Este curso de aprendizagem profunda com PyTorch foi criado para oferecer a você uma compreensão abrangente dos conceitos e técnicas fundamentais da aprendizagem profunda e equipar você com habilidades práticas para implementar vários conceitos de rede neural. Você se familiarizará com arquiteturas de várias entradas e saídas. Você aprenderá a evitar os problemas de desaparecimento e explosão de gradientes usando ativações não saturadas, normalização de lotes e inicialização adequada de pesos. Você poderá aliviar o excesso de ajuste usando a regularização e o abandono. Por fim, você saberá como acelerar o processo de treinamento com a programação da taxa de aprendizado.Crie modelos de imagens e sequências
Você conhecerá duas arquiteturas especializadas de redes neurais: Redes Neurais Convolucionais (CNNs) para dados de imagem e Redes Neurais Recorrentes (RNNs) para dados sequenciais, como séries temporais ou texto. Você entenderá suas vantagens e poderá implementá-las em tarefas de classificação de imagens e previsão de séries temporais.Ao final do curso, você terá o conhecimento e a confiança para treinar e avaliar de forma robusta seus próprios modelos de aprendizagem profunda para uma variedade de aplicações.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Treinamento de redes neurais robustas
Saiba como treinar redes neurais de forma robusta. Neste capítulo, você usará a programação orientada a objetos para definir conjuntos de dados e modelos do PyTorch e atualizar seus conhecimentos sobre treinamento e avaliação de redes neurais. Você também se familiarizará com diferentes otimizadores e, por fim, se familiarizará com várias técnicas que ajudam a atenuar os problemas de gradientes instáveis tão onipresentes no treinamento de redes neurais.
- PyTorch e programação orientada a objetos50 XP
- Conjunto de dados do PyTorch100 XP
- DataLoader do PyTorch100 XP
- Modelo do PyTorch100 XP
- Otimizadores, treinamento e avaliação50 XP
- Loop de treinamento100 XP
- Otimizadores100 XP
- Avaliação do modelo100 XP
- Desaparecimento e explosão de gradientes50 XP
- Inicialização e ativação100 XP
- Ativações: ReLU vs. ELU100 XP
- Normalização em lote100 XP
2
Imagens e redes neurais convolucionais
Treine redes neurais para resolver tarefas de classificação de imagens. Neste capítulo, você aprenderá a lidar com dados de imagem no PyTorch e a se familiarizar com as redes neurais convolucionais (CNNs). Você praticará o treinamento e a avaliação de um classificador de imagens enquanto aprende a melhorar o desempenho do modelo com o aumento de dados.
3
Sequências e redes neurais recorrentes
Crie e treine redes neurais recorrentes (RNNs) para processar dados sequenciais, como séries temporais, texto ou áudio. Você aprenderá sobre as duas arquiteturas recorrentes mais populares, as redes de memória de curto e longo prazo (LSTM) e de unidade recorrente fechada (GRU), além de como preparar dados sequenciais para o treinamento do modelo. Você praticará suas habilidades treinando e avaliando um modelo recorrente para prever o consumo de eletricidade.
4
Arquiteturas de múltiplas entradas e múltiplas saídas
Crie modelos com várias entradas e saídas, demonstrando como eles podem lidar com tarefas que exigem mais de uma entrada ou geram várias saídas. Você explorará como projetar e treinar esses modelos usando o PyTorch e se aprofundará no tópico crucial da ponderação de perdas em modelos com várias saídas. Isso envolve entender como equilibrar a importância de diferentes tarefas ao treinar um modelo para executar várias tarefas simultaneamente.
Aprendizagem profunda intermediária com PyTorch
Curso
concluído
