Entrar em Contato
 Duração 35 horas

Programa do Curso

Parte 1 – Conceitos de Deep Learning e DNN

Introdução à IA, Machine Learning & Deep Learning

  • História, conceitos básicos e aplicações usuais da inteligência artificial, para além das fantasias associadas a esta área
  • Inteligência Coletiva: agregação de conhecimento partilhado por muitos agentes virtuais
  • Algoritmos Genéticos: evolução de uma população de agentes virtuais por seleção
  • Máquina de Aprendizagem Usual: definição
  • Tipos de tarefas: aprendizagem supervisionada, aprendizagem não supervisionada, aprendizagem por reforço
  • Tipos de ações: classificação, regressão, agrupamento (clustering), estimação de densidade, redução de dimensionalidade
  • Exemplos de algoritmos de Machine Learning: regressão linear, Naive Bayes, árvores aleatórias (Random Trees)
  • Machine Learning VS Deep Learning: problemas nos quais o Machine Learning continua a ser o estado da arte (Random Forests & XGBoosts)

Conceitos Básicos de uma Rede Neural (Aplicação: perceptrão multicamadas)

  • Relembro das bases matemáticas.
  • Definição de uma rede de neurónios: arquitetura clássica, ativação e
  • Ponderação de ativações anteriores, profundidade de uma rede
  • Definição da aprendizagem de uma rede de neurónios: funções de custo, retropropagação (back-propagation), descida de gradiente estocástica, máxima verosimilhança.
  • Modelação de uma rede neural: modelação dos dados de entrada e saída de acordo com o tipo de problema (regressão, classificação ...). Maldição da dimensionalidade.
  • Distinção entre dados multivariados e sinal. Escolha de uma função de custo de acordo com os dados.
  • Aproximação de uma função por uma rede de neurónios: apresentação e exemplos
  • Aproximação de uma distribuição por uma rede de neurónios: apresentação e exemplos
  • Aumento de Dados (Data Augmentation): como equilibrar um conjunto de dados (dataset)
  • Generalização dos resultados de uma rede de neurónios.
  • Inicialização e regularização de uma rede neural: regularização L1 / L2, Normalização em Lote (Batch Normalization)
  • Algoritmos de otimização e convergência

Ferramentas Padrão de ML / DL

Prevê-se uma apresentação simples com vantagens, desvantagens, posição no ecossistema e utilização.

  • Ferramentas de gestão de dados: Apache Spark, Ferramentas Apache Hadoop
  • Machine Learning: Numpy, Scipy, Sci-kit
  • Frameworks de alto nível de DL: PyTorch, Keras, Lasagne
  • Frameworks de baixo nível de DL: Theano, Torch, Caffe, Tensorflow

Redes Neurais Convolucionais (CNN).

  • Apresentação das CNN: princípios fundamentais e aplicações
  • Operação básica de uma CNN: camada convolucional, utilização de um kernel,
  • Preenchimento (Padding) & passo (stride), geração de mapas de características, camadas de pooling. Extensões 1D, 2D e 3D.
  • Apresentação das diferentes arquiteturas de CNN que trouxeram o estado da arte na classificação
  • Imagens: LeNet, Redes VGG, Network in Network, Inception, Resnet. Apresentação das inovações trazidas por cada arquitetura e as suas aplicações mais globais (Convolução 1x1 ou ligações residuais)
  • Utilização de um modelo de atenção.
  • Aplicação a um caso comum de classificação (texto ou imagem)
  • CNN para geração: super-resolução, segmentação pixel a pixel. Apresentação de
  • Estratégias principais para aumentar os mapas de características para geração de imagens.

Redes Neurais Recorrentes (RNN).

  • Apresentação das RNN: princípios fundamentais e aplicações.
  • Operação básica da RNN: ativação oculta, retropropagação através do tempo (back propagation through time), versão desenrolada.
  • Evoluções para as Unidades Recorrentes Porteadas (GRUs) e LSTM (Long Short Term Memory).
  • Apresentação dos diferentes estados e das evoluções trazidas por estas arquiteturas
  • Problemas de convergência e de gradiente desaparecido (vanishing gradient)
  • Arquiteturas clássicas: Predição de séries temporais, classificação ...
  • Arquitetura do tipo RNN Encoder-Decoder. Utilização de um modelo de atenção.
  • Aplicações de NLP: codificação de palavras / caracteres, tradução.
  • Aplicações de Vídeo: predição da próxima imagem gerada de uma sequência de vídeo.

Modelos Generativos: Variational AutoEncoder (VAE) e Redes Adversariais Generativas (GAN).

  • Apresentação dos modelos generativos, ligação com as CNN
  • Auto-encoder: redução de dimensionalidade e geração limitada
  • Variational Auto-encoder: modelo generativo e aproximação da distribuição de um dado definido. Definição e utilização de espaço latente. Truque de reparametrização. Aplicações e Limites observados
  • Redes Adversariais Generativas: Fundamentos.
  • Arquitetura de Rede Dual (Gerador e Discriminador) com aprendizagem alternada, funções de custo disponíveis.
  • Convergência de uma GAN e dificuldades encontradas.
  • Convergência melhorada: Wasserstein GAN, Began. Distância de Movimento de Terra (Earth Moving Distance).
  • Aplicações para a geração de imagens ou fotografias, geração de texto, super-resolução.

Deep Reinforcement Learning.

  • Apresentação do reinforcement learning: controlo de um agente num ambiente definido
  • Por um estado e ações possíveis
  • Utilização de uma rede neural para aproximar a função de estado
  • Deep Q Learning: reutilização de experiência (experience replay), e aplicação ao controlo de um jogo de vídeo.
  • Otimização da política de aprendizagem. On-policy & off-policy. Arquitetura Actor-Critic. A3C.
  • Aplicações: controlo de um único jogo de vídeo ou de um sistema digital.

Parte 2 – Theano para Deep Learning

Fundamentos do Theano

  • Introdução
  • Instalação e Configuração

Funções do Theano

  • entradas, saídas, atualizações, valores definidos (givens)

Treino e Otimização de uma rede neural utilizando Theano

  • Modelação de Rede Neural
  • Regressão Logística
  • Camadas Ocultas
  • Treino de uma rede
  • Computação e Classificação
  • Otimização
  • Perda Logística (Log Loss)

Teste do modelo

Parte 3 – DNN utilizando Tensorflow

Fundamentos do TensorFlow

  • Criação, Inicialização, Gravação e Restauro de variáveis TensorFlow
  • Alimentação, Leitura e Pré-carregamento de Dados TensorFlow
  • Como utilizar a infraestrutura TensorFlow para treinar modelos em escala
  • Visualização e Avaliação de modelos com TensorBoard

Mecânica do TensorFlow

  • Preparação dos Dados
  • Transferência (Download)
  • Entradas e Placeholders
  • Construção dos Grafos
    • Inferência
    • Perda (Loss)
    • Treino (Training)
  • Treino do Modelo
    • O Grafo
    • A Sessão
    • Loop de Treino
  • Avaliação do Modelo
    • Construção do Grafo de Avaliação
    • Saída de Avaliação

O Perceptrão

  • Funções de ativação
  • Algoritmo de aprendizagem do perceptrão
  • Classificação binária com o perceptrão
  • Classificação de documentos com o perceptrão
  • Limitações do perceptrão

Do Perceptrão às Máquinas de Vetores de Suporte (SVMs)

  • Kernels e o truque do kernel (kernel trick)
  • Classificação de margem máxima e vetores de suporte

Redes Neurais Artificiais

  • Fronteiras de decisão não lineares
  • Redes neurais artificiais feedforward e de feedback
  • Perceptrões multicamadas
  • Minimização da função de custo
  • Propagação direta (Forward propagation)
  • Retropropagação (Back propagation)
  • Melhoria da forma como as redes neurais aprendem

Redes Neurais Convolucionais

  • Objetivos
  • Arquitetura do Modelo
  • Princípios
  • Organização do Código
  • Lançamento e Treino do Modelo
  • Avaliação de um Modelo

Introduções Básicas a ser fornecidas aos seguintes módulos (Introdução Breve a ser fornecida com base na disponibilidade de tempo):

Tensorflow - Utilização Avançada

  • Encadeamento (Threading) e Filas (Queues)
  • TensorFlow Distribuído
  • Escrita de Documentação e Partilha do seu Modelo
  • Personalização de Leitores de Dados
  • Manipulação de Ficheiros de Modelo TensorFlow

TensorFlow Serving

  • Introdução
  • Tutorial Básico de Servir (Serving)
  • Tutorial Avançado de Servir (Serving)
  • Tutorial de Servir Modelo Inception

Requisitos

Conhecimentos em física, matemática e programação. Experiência em atividades de processamento de imagens.

Os participantes devem ter um entendimento prévio dos conceitos de machine learning e experiência em programação Python e nas suas bibliotecas.

Formação Empresarial Personalizada

Soluções de formação concebidas exclusivamente para empresas.

  • Conteúdo Personalizado: Adaptamos o programa e os exercícios práticos aos objetivos e necessidades reais do seu projeto.
  • Horário Flexível: Datas e horários adaptados à agenda da sua equipe.
  • Formato: Online (ao vivo), In-Company (em suas instalações) ou Híbrido.
Investimento

Preço por grupo privado, formação online em direto, a partir de 6500 € + VAT*

Entre em contato conosco para obter um orçamento preciso e conhecer nossas promoções mais recentes

Testemunhos de Clientes (2)

Próximas Formações Provisórias

Categorias Relacionadas