Deep Learning de A-Z: Redes Neurais Artificiais na Prática
- Descrição
- Currículo
- FAQ
- Revisões
Atualizado em 2023!
Bem vindo ao mais completo e acessível curso para você se especializar em Machine Learning e Deep Learning com Python!
Inteligência Artificial é uma área em crescimento exponencial. Mas quanto mais a Inteligência Artificial avança, mais complexos são os problemas a serem resolvidos. E Deep Learning é área mais poderosa da Inteligência Artificial, e por isso ela é sem dúvida a mais importante disciplina neste campo de pesquisa. Neste curso você terá acesso a:
-
Estrutura Robusta e Organizada
-
Tutorais intuitivos
-
Projetos práticos Fantásticos
-
Suporte pelo instrutor
O que vamos usar? As ferramentas mais importantes do mundo da Inteligência Artificial, entre elas:
-
TensorFlow: O TensorFlow é uma plataforma completa de código aberto para machine learning.
-
PyTorch: é uma biblioteca de aprendizado de máquina de código aberto baseada na biblioteca Torch, usada para aplicativos como visão computacional e processamento de linguagem natural
-
Theano: Theano é uma biblioteca Python e um compilador de otimização para manipular e avaliar expressões matemáticas, especialmente aquelas com valor de matriz.
-
Keras: O Keras é uma biblioteca de rede neural de código aberto escrita em Python. Ele é capaz de rodar em cima de TensorFlow, Microsoft Cognitive Toolkit, R, Theano, ou PlaidML.
-
Scikit-learn: A scikit-learn é uma biblioteca de aprendizado de máquina de código aberto para a linguagem de programação Python
O que você vai aprender? Neste super curso, você vai entrar a fundo na área mais importante da Inteligência Artificial, com aulas teóricas e práticas onde você vai estudar:
-
Fundamentos de Redes Neurais Artificiais
-
Previsão com Regressão e Classificação
-
Visão Computacional com Convolutional Neural Networks
-
Analise de Séries Temporais com Recurrent Neural Networks
-
Detecção de Características com Self-Organizing Maps
-
Sistemas de Recomendação com Deep Boltzmann Machines
-
Sistemas de Recomendação com AutoEncoders
-
Bônus: Simulando uma competição do Kaggle!
Quais problemas práticos você vai implementar?
-
Rotatividade de Clientes
-
Reconhecimento de Imagens
-
Previsão de Preços de Ações
-
Detecção de Fraude
-
Sistemas de Recomendação
O curso ainda inclui:
-
Slides para download
-
Códigos fonte em Python (inclui notebooks para Jupyter)
-
Dados de exemplo para baixar
-
1O que você vai estudar?Vídeo Aula
-
2Dicas para Melhor Aproveitamento do CursoVídeo Aula
-
3O que é Aprendizado Profundo?Vídeo Aula
-
4Material para DownloadTexto
-
5Escolhendo o Ambiente para Fazer o CursoVídeo Aula
-
6Comandos da Próxima AulaTexto
-
7Configuração do Ambiente para usar Anaconda com Spyder ou JupyterVídeo Aula
-
8IntroduçãoVídeo Aula
-
9Introdução (Continuação)Vídeo Aula
-
10ClassificaçãoVídeo Aula
-
11RegressãoVídeo Aula
-
12AgrupamentosVídeo Aula
-
13Sistemas de RecomendaçãoVídeo Aula
-
14Regressão LinearVídeo Aula
-
15Regressão LogísticaVídeo Aula
-
16Categorical EncodingVídeo Aula
-
17Feature ScallingVídeo Aula
-
26Plano de AtaqueVídeo Aula
-
27Links e Referências desta SeçãoTexto
-
28O NeurônioVídeo Aula
-
29Função de AtivaçãoVídeo Aula
-
30Como Funciona uma Rede Neural ArtificialVídeo Aula
-
31Como as Redes Neurais Aprendem?Vídeo Aula
-
32Gradient DescentVídeo Aula
-
33Stochastic Gradient DescentVídeo Aula
-
34BackpropagationVídeo Aula
-
71Plano de AtaqueVídeo Aula
-
72Links e Referências desta SeçãoTexto
-
73Como SOM funcionaVídeo Aula
-
74Revisando KmeansVídeo Aula
-
75Como SOMs AprendemVídeo Aula
-
76Como SOMs Aprendem Parte IIVídeo Aula
-
77Interpretando um SOM AvançadoVídeo Aula
-
78Kmeans: Armadilha da Inicialização aleatóriaVídeo Aula
-
79Kmeans: Escolhendo numero certo de gruposVídeo Aula