Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa do Curso
O curso é dividido em três dias distintos, sendo o terceiro opcional.
Dia 1 - Machine Learning e Deep Learning: conceitos teóricos
1. Introdução IA, Machine Learning e aprendizado profundo
- História, conceitos fundamentais e aplicações habituais da inteligência artificial longe das fantasias transportadas por este campo
- Inteligência coletiva: conhecimento agregado compartilhado por inúmeros agentes virtuais
- Algoritmos genéticos: evolução de uma população de agentes virtuais por seleção
- Machine Learning habitual: definição.
- Types de tâches: aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem por reforço
- Tipos de ações: classificação, regressão, agrupamento, estimativa de densidade, redução de dimensionalidade
- Exemplos de algoritmos Machine Learning: Regressão linear, Naive Bayes, Random Tree
- Aprendizado de máquina VS Aprendizado profundo: problemas nos quais o aprendizado de máquina continua sendo o estado da arte hoje (Random Forests & XGBoosts)
2. Conceitos fundamentais de uma rede neural (Aplicação: perceptron multicamadas)
- Lembrete de noções básicas de matemática.
- Definição de uma rede neural: arquitetura clássica, funções de ativação e ponderação de ativações anteriores, profundidade de uma rede
- Definição de aprendizagem de uma rede neural: funções de custo, retropropagação, gradiente descendente estocástico, máxima verossimilhança.
- Modelagem de uma rede neural: modelagem de dados de entrada e saída de acordo com o tipo de problema (regressão, classificação, etc.). Maldição da dimensionalidade. Distinção entre dados multi-funcionalidades e sinal. Escolha de uma função de custo de acordo com os dados.
- Aproximar uma função utilizando uma rede neural: apresentação e exemplos
- Aproximação de uma distribuição utilizando uma rede neural: apresentação e exemplos
- Aumento de dados: como equilibrar um conjunto de dados
- Generalização dos resultados de uma rede neural.
- Inicializações e regularizações de uma rede neural: regularização L1/L2, normalização em lote...
- Otimizações e algoritmos de convergência.
3. Ferramentas comuns de ML/DL
Está prevista uma apresentação simples com vantagens, desvantagens, posição no ecossistema e utilização.
- Ferramentas de gerenciamento de dados: Apache Spark, Apache Hadoop
- Ferramentas usuais Machine Learning: Numpy, Scipy, Sci-kit
- Frameworks DL nível atual: PyTorch, Keras, Lasagne
- Frameworks DL de baixo nível: Theano, Torch, Caffe, Tensorflow
Dia 2 – Redes Convolucionais e Recorrentes
4. Convolucional Neural Networks (CNN).
- Apresentação das CNNs: princípios fundamentais e aplicações
- Funcionamento fundamental de uma CNN: camada convolucional, utilização de um kernel, padding & stride, geração de mapas de características, camadas do tipo 'pooling'. Extensões 1D, 2D e 3D.
- Apresentação das diferentes arquiteturas CNN que trouxeram o estado da arte para classificação de imagens: LeNet, VGG Networks, Network in Network, Inception, Resnet. Apresentação das inovações trazidas por cada arquitetura e suas aplicações mais globais (Convolução 1x1 ou conexões residuais)
- Utilização de um modelo de atenção.
- Aplicação a um cenário de classificação habitual (texto ou imagem)
- CNNs para geração: super-resolução, segmentação pixel a pixel. Apresentação das principais estratégias de aumento de mapas de características para geração de imagem.
5. Recorrente Neural Networks (RNN).
- Apresentação das RNNs: princípios fundamentais e aplicações.
- Fonctionnement fondamental du RNN: ativação oculta, retropropagação no tempo, versão desdobrada.
- Desenvolvimentos em direção a GRU (Gated Recurrent Units) e LSTM (Long Short Term Memory). Apresentação dos diferentes estados e dos desenvolvimentos provocados por estas arquiteturas
- Problemas de convergência e gradiente de fuga
- Tipos de arquiteturas clássicas: Previsão de séries temporais, classificação...
- Arquitetura do tipo RNN Encoder Decoder. Usando um modelo de atenção.
- Aplicações PNL: codificação de palavras/caracteres, tradução.
- Aplicações de Vídeo: previsão da próxima imagem gerada de uma sequência de vídeo.
Dia 3 – Modelos Geracionais e Reinforcement Learning
6. Modelos geracionais: AutoEncoder Variacional (VAE) e Redes Adversariais Generativas (GAN).
- Apresentação de modelos geracionais, link com CNNs vistos no dia 2
- Codificação automática: redução de dimensionalidade e geração limitada
- Autocodificador Variacional: modelo geracional e aproximação da distribuição de dados. Definição e utilização do espaço latente. Truque de reparametrização. Aplicações e limites observados
- Redes Adversariais Gerativas: princípios fundamentais. Arquitetura de duas redes (gerador e discriminador) com aprendizagem alternada, funções de custo disponíveis.
- Convergência de um GAN e dificuldades encontradas.
- Convergência melhorada: Wasserstein GAN, BeGAN. Distância móvel da Terra.
- Aplicativos para geração de imagens ou fotografias, geração de texto, super resolução.
7. Profundo Reinforcement Learning.
- Apresentação da aprendizagem por reforço: controle de um agente em um ambiente definido por um estado e possíveis ações
- Usando uma rede neural para aproximar a função de estado
- Deep Q Learning: experiência de repetição e aplicação ao controle de um videogame.
- Otimizações da política de aprendizagem. Dentro da política e fora da política. Arquitetura crítica do ator. A3C.
- Aplicações: controle de um simples videogame ou de um sistema digital.
Requisitos
Nível de engenheiro
21 horas
