Deep Learning de A-Z: Redes Neurais Artificiais na Prática

Atualizado! Aprenda Mahine Learning e Deep Learning com TensorFlow, PyTorch, Theano, Keras, Scikit-learn e muito mais!

4.55 (195 reviews)
Udemy
platform
Português
language
Other
category
instructor
1,804
students
17 hours
content
Jul 2023
last update
$19.99
regular price

What you will learn

Aprenda os fundamentos de Artificial Neural Networks

Domine Visão Computacional com Convolutional Neural Networks

Preveja Séries Temporais com Recurrent Neural Networks

Aprenda Detecção de Características com Self-Organizing Maps

Conheça como Criar Sistemas de Recomendação com Boltzmann Machines

Domine mais técnicas de recomendação com AutoEncoders

Simule uma competição do Kaggle!

Description

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


Content

Introdução

Apresentação
O que você vai estudar?
O que é Aprendizado Profundo?
Material para Download
Comandos da Próxima Aula
Configuração do Ambiente

Fundamentos de Machine Learning (Opcional)

Material para Download
Introdução
Introdução (Continuação)
Classificação
Regressão
Agrupamentos
Sistemas de Recomendação
Regressão Linear
Regressão Logística

Pré-Processamento de Dados

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4
Passo 5

Um Modelo de Classificação

Material para Download
Passo 1
Passo 2
Passo 3

Redes Neurais Artificiais

Plano de Ataque
Material para Download
Links e Referências desta Seção
O Neurônio
Função de Ativação
Como Funciona uma Rede Neural Artificial
Como as Redes Neurais Aprendem?
Gradient Descent
Stochastic Gradient Descent
Backpropagation

Construíndo Redes Neurais Artificias

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4

Redes Neurais Convolucionais

Plano de Ataque
Material para Download
Links e Referências desta Seção
Convolutional Neural Networks
Convolutions
Relu
Max Pooling
Flattening
Full Connection
Sumário

Construindo Redes Neurais Convolucionais

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4
Passo 5
Passo 6
Passo 7
Passo 8
Passo 9

Redes Neurais Recorrentes

Plano de Ataque
Material para Download
Links e Referências desta Seção
Recurrent Neural Network
Vanishiing Gradient
Long Short-Term Memory
LSTM: Intuição Prática
Variações de LSTM

Construindo Redes Neurais Recorrentes

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4
Passo 5
Passo 6
Passo 7

Self Organizing Maps

Plano de Ataque
Material para Download
Links e Referências desta Seção
Como SOM funcionam
Revisando Kmeans
Como SOMs Aprendem
Como SOMs Aprendem Parte II
Interpretando um SOM Avançado
Kmeans: Armadilha da Inicialização aleatória
Kmeans: Escolhendo numero certo de grupos

Construindo Self Organizing Maps

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4

Boltzmann Machines

Plano de Ataque
Material para Download
Links e Referências desta Seção
Boltzmann Machines
Modelos Baseados em Energia
Restricted Boltzmann Machines
Constrastive Divergence
Deep Belief Networks
Deep BM

Construindo Boltzmann Machines

Material para Download
Passo 1
Passo 2
Passo 3
Passo 4
Passo 5
Passo 6
Passo 7

Autoencoders

Plano de Ataque
Material para Download
Links e Referências desta Seção
Autoencoders
Nota sobre Bias
Treinando um Autoencoder
Excesso de Camadas Ocultas
Autoencoders Esparsos
Denoising
Contractive Autoencoders
Stacked Autoencoders
Deep Autoencoders

Construindo Autoencoders

Material para Download
Passo 1
Passo 2
Passo 3
Passo4
Passo 5

Fundamentos de Python (Opcional)

Introdução
O Ambiente
Variáveis e Objetos
Variáveis e Objetos Parte II
Estrutura de Decisão
Estruturas de Decisão Parte II
Estrutura de Repetição
Estrutura de Repetição Parte II
Listas
Listas Parte II
Módulos e Pacotes
Módulos e Pacotes Parte II
Funções
Funções Parte II
Funções Padrão
Funções Padrão Parte II
Funções Padrão Parte III

Screenshots

Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Screenshot_01Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Screenshot_02Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Screenshot_03Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Screenshot_04

Reviews

Wallace
January 31, 2022
Os conceitos aqui apresentados foram fundamentais para conseguir minha certificação Huawei HCIA-AI. Curso de excelente qualidade.
Rodrigo
January 18, 2022
Não vi um output dos dados e como seria aplicado. Queria saber quais filmes foram recomendados ou se eu estou fazendo um planejamento de vendas como ficou o planejamento para que eu possa acompanhar...
Fabio
August 16, 2021
Absolutamente o melhor curso de machine learning para quem quer iniciar no assunto! Já comprei alguns, mas nenhum é como esse! Se você está procurando por onde começar em ML, esse é o curso. Parabens, professor!
Marcos
January 7, 2021
Pensava que teria algum aprofundamento matemático em relação aos algoritmos... mas em relação a utilização dos frameworks foi bem útil!!
Anne
April 25, 2020
Otimo curso, boa didatica....A parte teorica bem sedimentada (que é um diferencial em relação aos outros cursos)...

Charts

Price

Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Price chart

Rating

Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Ratings chart

Enrollment distribution

Deep Learning de A-Z: Redes Neurais Artificiais na Prática - Distribution chart
2855586
udemy ID
3/6/2020
course created date
3/30/2020
course indexed date
Bot
course submited by