Programa do Curso

Dia 1:

Básico Machine Learning

Módulo 1

Introdução:

  • Exercício – Instalando Python e Bibliotecas NN
  • Por que aprendizado de máquina?
  • Breve história do aprendizado de máquina
  • A ascensão do aprendizado profundo
  • Conceitos básicos em aprendizado de máquina
  • Visualizando um problema de classificação
  • Limites de decisão e regiões de decisão
  • euPython cadernos

Módulo-2

  • Exercício – Regiões de Decisão
  • O neurônio artificial
  • A rede neural, propagação direta e camadas de rede
  • Funções de ativação
  • Exercício – Funções de ativação
  • Retropropagação de erro
  • Underfitting e Overfitting
  • Interpolação e suavização
  • Extrapolação e abstração de dados
  • Generalização em aprendizado de máquina

Módulo-3

  • Exercício – Underfitting e Overfitting
  • Conjuntos de treinamento, teste e validação
  • Viés de dados e o problema do exemplo negativo
  • Troca de polarização/variância
  • Exercício – Conjuntos de dados e preconceito

Módulo-4

  • Visão geral dos parâmetros e hiperparâmetros NN
  • Problemas de regressão logística
  • Funções de custo
  • Exemplo – Regressão
  • Aprendizado de máquina clássico vs. aprendizado profundo
  • Conclusão

Dia 2: Convolucional Neural Networks (CNN)

Módulo-5

  • Introdução à CNN
  • O que são CNNs?
  • Computer visão
  • CNNs na vida cotidiana
  • Imagens – pixels, quantização de cor e espaço, RGB
  • Equações de convolução e significado físico, contínuo vs. discreto
  • Exercício – Convolução 1D

Módulo-6

  • Base teórica para filtragem
  • Sinal como soma de sinusóides
  • Espectro de frequencia
  • Filtros passa-banda
  • Exercício – Filtragem de Frequência
  • Filtros convolucionais 2D
  • Preenchimento e comprimento da passada
  • Filtrar como passa-banda
  • Filtrar como correspondência de modelo
  • Exercício – Detecção de Bordas
  • Filtros Gabor para análise de frequência localizada
  • Exercício – Filtros Gabor como mapas da camada 1

Módulo-7

  • Arquitetura CNN
  • Camadas convolucionais
  • Máximo de camadas de pooling
  • Camadas de redução da resolução
  • Abstração recursiva de dados
  • Exemplo de abstração recursiva

Módulo-8

  • Exercício – Uso básico da CNN
  • Conjunto de dados ImageNet e o modelo VGG-16
  • Visualização de mapas de recursos
  • Visualização dos significados dos recursos
  • Exercício – Mapas de recursos e significados de recursos

Dia 3: Modelo de Sequência

Módulo-9

  • O que são modelos de sequência?
  • Por que modelos de sequência?
  • Caso de uso de modelagem de linguagem
  • Sequências no tempo vs. sequências no espaço

Módulo-10

  • RNNs
  • Arquitetura recorrente
  • Retropropagação ao longo do tempo
  • Gradientes desaparecendo
  • GRU
  • LSTM
  • RNN profundo
  • RNN bidirecional
  • Exercício – RNN unidirecional vs. bidirecional
  • Sequências de amostragem
  • Previsão de saída de sequência
  • Exercício – Predição de Saída de Sequência
  • RNNs em sinais simples variáveis no tempo
  • Exercício – Detecção Básica de Forma de Onda

Módulo-11

  • Natural Language Processing (NLP)
  • Word incorporações
  • Word vetores: word2vec
  • Word vetores: GloVe
  • Transferência de conhecimento e incorporação de palavras
  • Análise de sentimentos
  • Exercício – Sentiment Analysis

Módulo-12

  • Quantificando e removendo preconceitos
  • Exercício – Removendo preconceito
  • Dados de áudio
  • Pesquisa de feixe
  • Modelo de atenção
  • Reconhecimento de fala
  • Detecção de palavra de gatilho
  • Exercício – Speech Recognition

Requisitos

Não há requisitos específicos necessários para participar deste curso.

  21 horas
 

Cursos Relacionados

Categorias Relacionadas