Redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e GANs
Importante: Todas as aulas do curso foram regravadas em 2024!
A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícios computacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essas técnicas, tais como: carros autônomos, descoberta de novos medicamentos, cura e diagnóstico antecipado de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes! Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram "imitar" como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina).
A área de Deep Learning é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo que o mercado de trabalho dessa área nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação!
E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Deep Learning utilizando o Python! Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos sobre as redes neurais até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Para isso, o conteúdo está dividido em sete partes: redes neurais artificiais, redes neurais convolucionais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e redes adversariais generativas. Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais. Veja abaixo alguns dos projetos que serão desenvolvidos:
Classificação se um câncer é maligno ou benigno baseado nos dados do tumor
Classificação de tipos de plantas
Previsão do preço de veículos usados baseado nas características do carro
Previsão de quanto um jogo de vídeo game venderá
Classificação de dígitos escritos a mão
Classificação de imagens de gatos e cachorros
Classificação das imagens do Homer e Bart, do desenho dos Simpsons
Classificação de objetos, como por exemplo: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhões
Construção de série temporal para previsão dos preços das ações da Petrobrás
Previsão da poluição na China em determinadas horas do dia
Agrupamento de tipos de vinhos baseados nas características do produto
Agrupamento de câncer que são malignos ou benignos
Detecção de clientes que podem tentar fraude em bases de dados financeiras
Redução de dimensionalidade em imagens
Desenvolvimento de um sistema de recomendação básico de filmes
Comparação de sistemas de recomendação utilizando redes neurais e utilizando técnicas clássicas de filtragem colaborativa
Criação automática de imagens
Ao final de cada seção teórica você tem questionários para revisar o conteúdo, bem como indicações de referências complementares caso você queira aprender mais sobre os assuntos. E ao final de cada seção prática, você encontra projetos de programação para fortalecer o conteúdo sobre as implementações, todos com as soluções para você comparar com o seu progresso!
Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning, você conta com um apêndice que contém aulas básicas sobre aprendizagem de máquina e redes neurais! É também importante enfatizar que o único pré-requisito necessário é saber lógica de programação, pois mesmo se você não seja especialista na linguagem Python você conseguirá acompanhar o curso sem nenhum problema!
Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! :)
Aprenda na teoria e na prática como construir redes neurais artificiais para resolver problemas reais do dia
Aprenda os conceitos sobre redes neurais convolucionais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, auto encoders e redes adversariais generativas
Avalie e configure os parâmetros de uma rede neural
5 Lectures
1 Lectures
11 Lectures
13 Lectures
4 Lectures
6 Lectures
3 Lectures
1 Lectures
7 Lectures
5 Lectures
3 Lectures
1 Lectures
3 Lectures
8 Lectures
1 Lectures
6 Lectures
4 Lectures
3 Lectures
1 Lectures
4 Lectures
2 Lectures
8 Lectures
1 Lectures
3 Lectures
1 Lectures
43 Lectures
2 Lectures
Olá! Meu nome é Jones Granatyr e já trabalho em torno de 10 anos com Inteligência Artificial (IA), inclusive fiz o meu mestrado e doutorado nessa área. Atualmente sou professor, pesquisador e fundador do portal IA Expert, um site com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA, como por...
A plataforma IA Expert tem o objetivo de trazer cursos teóricos e práticos de fácil entendimento sobre sobre Inteligência Artificial e Ciência de Dados, para que profissionais de todas as áreas consigam entender e aplicar os benefícios que a IA pode trazer para seus negócios, bem como apresentar todas as oportunidades que essa área pode trazer para profissionais de tecnologia...
Curso bastante didático para quem não tem conhecimento prévio sobre o assunto. A abrangência e a codificação também são muito positivas no processo de construção do conhecimento. Parabéns.
Recomendo fortemente. Gostei muito da didática e da classificação de imagens (números e gato/cachorro)
Muito bom
Estou gostando
adoro seus cursos, mas em alguns casos o código sai com letra bem pequena
Muita experiência!!!!
Praticamente todos os códigos apresentados dão erro, por não se encontrarem atualizados frente às bibliotecas empregadas.
Exemplos de erros:
1 - Na Seção 4, aula 21, "Mais camadas e parâmetros do otimizador", o conteúdo não está mais atualizado: "ValueError: decay is deprecated in the new Keras optimizer, please check the docstring for valid arguments, or use the legacy optimizer, e.g., tf.keras.optimizers.legacy.Adam.", também "UserWarning: The `lr` argument is deprecated, use `learning_rate` instead."
2 - Na Seção 4, aula 24, "Validação cruzada - implementação", o conteúdo não está mais atualizado: o código "from keras.wrappers.scikit_learn import KerasClassifier" dá o erro "ModuleNotFoundError: No module named 'keras.wrappers'". A solução apontada na seção de "perguntas e respostas", de substituir o código por "from tensorflow.keras.wrappers.scikit_learn import KerasClassifier" dá o mesmo erro: "ModuleNotFoundError: No module named 'tensorflow.keras.wrappers'".
3 - Na Seção 4, aula 27, "Tuning (ajuste) dos parâmtros)" o conteúdo não está mais atualizado: o código "grid_search = grid_search.fit(previsores, classe)" dá o erro "ValueError: Invalid parameter activation for estimator KerasClassifier. This issue can likely be resolved by setting this parameter in the KerasClassifier constructor: `KerasClassifier(activation=relu)` Check the list of available parameters with `estimator.get_params().keys()`".
4 - Na Seção 5, aula 33, "Estrutura da rede neural II" o conteúdo não está mais atualizado: o código "from keras.utils import np_utils" dá o erro "ImportError: cannot import name 'np_utils' from 'keras.utils'".
5 - Na Seção 5, aula 35, "Validação cruzada", o conteúdo não está mais atualizado: o código "from keras.utils import np_utils" dá o erro "ImportError: cannot import name 'np_utils' from 'keras.utils'", o código "from keras.wrappers.scikit_learn import KerasClassifier" dá o erro "ModuleNotFoundError: No module named 'keras.wrappers'".
6 - Na Seção 6, aula 40, "Pré-processamento - One Hot Encoder", o conteúdo não está mais atualizado: o código "onehotencoder = OneHotEncoder(categorical_features =[0,1,3,5,8,9,10])" dá o erro "TypeError: OneHotEncoder.__init__() got an unexpected keyword argument 'categorical_features'".
7 - Na Seção 6, aula 42, "Validação cruzada", o conteúdo não está mais atualizado: o código "from keras.wrappers.scikit_learn import KerasRegressor" dá o erro "ModuleNotFoundError: No module named 'keras.wrappers'", o código "resultados = cross_val_score(estimator = regressor, X = previsores, y = preco_real, cv = 10, scoring = 'mean_absolute_error')" dá o erro "InvalidParameterError: The 'scoring' parameter of check_scoring must be a str among {'jaccard_macro', 'normalized_mutual_info_score', 'roc_auc_ovr_weighted', 'f1_samples', 'f1_macro', 'roc_auc_ovo', 'roc_auc', 'max_error', 'accuracy', 'jaccard', 'homogeneity_score', 'f1', 'neg_mean_absolute_error', 'neg_mean_absolute_percentage_error', 'recall_samples', 'mutual_info_score', 'neg_log_loss', 'fowlkes_mallows_score', 'neg_brier_score', 'precision_macro', 'jaccard_micro', 'r2', 'roc_auc_ovo_weighted', 'top_k_accuracy', 'adjusted_rand_score', 'average_precision', 'explained_variance', 'f1_weighted', 'matthews_corrcoef', 'neg_root_mean_squared_error', 'precision', 'neg_mean_squared_log_error', 'positive_likelihood_ratio', 'balanced_accuracy', 'precision_micro', 'neg_negative_likelihood_ratio', 'rand_score', 'precision_weighted', 'recall_weighted', 'neg_mean_squared_error', 'jaccard_weighted', 'precision_samples', 'recall_micro', 'roc_auc_ovr', 'v_measure_score', 'neg_mean_gamma_deviance', 'adjusted_mutual_info_score', 'f1_micro', 'recall_macro', 'jaccard_samples', 'completeness_score', 'neg_median_absolute_error', 'recall', 'neg_mean_poisson_deviance'}, a callable or None. Got 'mean_absolute_error' instead.".
8 - Na Seção 7, aula 45, "Pré-processamento II", o conteúdo não está mais atualizado: o código "onehotencoder = OneHotEncoder(categorical_features = [0, 2, 3, 8])" dá o erro "TypeError: OneHotEncoder.__init__() got an unexpected keyword argument 'categorical_features'".
9 - Na Seção 10, aula 56, "Base de dados MNIST", o conteúdo não está mais atualizado: o código "from keras.utils import np_utils" dá o erro "ImportError: cannot import name 'np_utils' from 'keras.utils' (C:\Users\Anderson\AppData\Local\anaconda3\Lib\site-packages\keras\utils\__init__.py)".
10 - Na Seção 10, aula 58, "Melhorias na rede neural", o conteúdo não está mais atualizado: o código "from keras.layers.normalization import BatchNormalization" dá o erro "ModuleNotFoundError: No module named 'keras.layers.normalization'".
11 - Na Seção 10, aula 59, "Validação cruzada", o conteúdo não está mais atualizado: o código "from keras.utils import np_utils" dá o erro "ImportError: cannot import name 'np_utils' from 'keras.utils' (C:\Users\Anderson\AppData\Local\anaconda3\Lib\site-packages\keras\utils\__init__.py)".
12 - Na Seção 11, aula 51, "Imagens e estrutura da rede neural", o conteúdo não está mais atualizado: o código "from keras.layers.normalization import BatchNormalization" resulta no erro "ModuleNotFoundError: No module named 'keras.layers.normalization'".
Excelente
Por enquanto está sendo bem didático. O único problema é que o curso não está atualizado, mesmo tendo um material de atualização nas considerações finais, alguns métodos não funcionam ou se tornaram obsoletos. Isto causa perda de tempo para conseguir fazer os treinamentos.
Your email address will not be published. Required fields are marked *
![Deep Learning com Python de A a Z - O Curso Completo [2024]](https://s3.eu-central-2.wasabisys.com/thecoursehunt-production/168019/conversions/1732564_44ab-course_feature_thumb_520_381.webp)
Hudson C.
O professor tem uma didatica muito boa