Pular para o conteúdo principal

Início PyTorch

Curso

Introdução ao Aprendizado Profundo com o PyTorch

IntermediárioNível de habilidade

Atualizado 01/2026

Crie sua primeira rede neural no PyTorch, ajuste hiperparâmetros e trabalhe com tarefas de classificação e regressão.

Iniciar curso gratuitamente

PyTorchArtificial Intelligence

4 h

16 vídeos

49 Exercícios

3,900 XP

86,141

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

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

1

Introdução ao PyTorch, uma biblioteca de aprendizado profundo

Carros autônomos, smartphones, mecanismos de pesquisa... O aprendizado profundo agora está em toda parte. Antes de começar a criar modelos complexos, você vai conhecer melhor o PyTorch, uma estrutura de aprendizado profundo. Você aprenderá a manipular tensores, criar estruturas de dados do PyTorch e criar sua primeira rede neural no PyTorch com camadas lineares.

Introdução ao Aprendizado Profundo com o PyTorch

Introdução aos tensores do PyTorch

Verificação e adição de tensores

Redes neurais e camadas

Rede de camadas lineares

Como funcionam os pesos

Camadas ocultas e parâmetros

Sua primeira rede neural

Empilhamento de camadas lineares

Contagem do número de parâmetros

Iniciar capítulo

2

Arquitetura de redes neurais e hiperparâmetros

Para treinar uma rede neural no PyTorch, primeiro você precisa entender outros componentes, como as funções de ativação e perda. Você vai perceber que o treinamento de uma rede requer a minimização dessa função de perda, o que é feito por meio do cálculo de gradientes. Você vai aprender a usar esses gradientes para atualizar os parâmetros do modelo.

Descoberta de funções de ativação

Estimule sua compreensão!

As funções sigmoide e softmax

Como executar uma passagem direta

Como criar um classificador binário no PyTorch

Da regressão à classificação multiclasse

Uso de funções de perda para avaliar previsões do modelo

Criação de rótulos com one-hot encoding

Cálculo da perda de entropia cruzada

Uso de derivadas para atualizar os parâmetros do modelo

Acesso aos parâmetros do modelo

Atualização manual dos pesos

Como usar o otimizador do PyTorch

Iniciar capítulo

3

Treinamento de uma rede neural com o PyTorch

Agora que você aprendeu os principais componentes de uma rede neural, você vai treinar uma usando um loop de treinamento. Você vai analisar problemas em potencial, como gradientes que desaparecem, e aprender estratégias para resolvê-los, como funções de ativação alternativas e ajuste da taxa de aprendizado e do momentum.

Análise detalhada do carregamento de dados

Como usar o TensorDataset

Como usar o DataLoader

Como escrever o primeiro loop de treinamento

Como usar o MSELoss

Como escrever um loop de treinamento

Funções de ativação ReLU

Implementação da ReLU

Implementação da Leaky ReLU

Introdução a funções de ativação

Taxa de aprendizado e momentum

Ajuste da taxa de aprendizado

Ajuste do momentum

Iniciar capítulo

4

Como avaliar e aprimorar modelos

Treinar um modelo de aprendizado profundo é uma arte e, para garantir que o modelo seja treinado corretamente, precisamos acompanhar determinadas métricas durante o treinamento, como a perda ou a precisão. Vamos aprender a calcular essas métricas e a reduzir o sobreajuste.

Inicialização de camadas e aprendizado por transferência

Processo de ajuste fino

Congelamento de camadas de um modelo

Inicialização de camadas

Avaliação do desempenho do modelo

Como escrever o loop de avaliação

Cálculo da precisão usando torchmetrics

Como evitar o sobreajuste

Ajuste do dropout

O que significa sobreajuste

Como aprimorar o desempenho do modelo

Implementação da pesquisa aleatória

Vídeo de encerramento

Iniciar capítulo

Introdução ao Aprendizado Profundo com o PyTorch

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Introdução ao Aprendizado Profundo com o PyTorch hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.