Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
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
Programa de estudos
Conteúdo do curso
1
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.
- Introdução ao Aprendizado Profundo com o PyTorch50 XP
- Introdução aos tensores do PyTorch100 XP
- Verificação e adição de tensores100 XP
- Redes neurais e camadas50 XP
- Rede de camadas lineares100 XP
- Como funcionam os pesos50 XP
- Camadas ocultas e parâmetros50 XP
- Sua primeira rede neural100 XP
- Empilhamento de camadas lineares100 XP
- Contagem do número de parâmetros100 XP
2
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.
3
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.
4
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.
Introdução a Deep Learning com PyTorch
Curso
concluído
