Deep Learning com Python de A a Z - O Curso Completo
4.6 (1,301 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
7,206 students enrolled

Deep Learning com Python de A a Z - O Curso Completo

Redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e GANs
Highest Rated
4.6 (1,301 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
7,206 students enrolled
Last updated 5/2020
Portuguese
Portuguese [Auto-generated]
Current price: $13.99 Original price: $19.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 20 hours on-demand video
  • 19 articles
  • 27 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Assignments
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • 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
  • Construa passo a passo redes neurais aplicadas em problemas de classificação e regressão
  • Construa passo a passo uma rede neural para prever o preço de veículos usados e prever a venda de jogos de vídeo games
  • Implemente redes neurais convolucionais para classificar dígitos escritos a mão e também para identificar gatos e cachorros em imagens
  • Implemente uma rede neural recorrente para prever os preços das ações da Petrobras
  • Implemente mapas auto organizáveis aplicados em agrupamento de dados e detecção de fraudes em bases financeiras
  • Reduza a dimensionalidade de bases de dados utilizando Boltzmann Machines e autoencoders
  • Crie um sistema de recomendação utilizando Boltzmann Machines
  • Crie novas imagens utilizando redes adversariais generativas
Course content
Expand all 134 lectures 20:15:57
+ Introdução
5 lectures 25:31
Mais sobre Inteligência Artificial
00:09
Instalação das ferramentas
08:18
Problemas de instalação do Anaconda
00:44
+ Teoria resumida sobre redes neurais artificiais
10 lectures 01:33:28
Redes multicamada - função soma e função de ativação
12:39
Redes multicamada - cálculo do erro
04:51
Descida do gradiente
07:56
Cálculo do parâmetro delta
06:05
Ajuste dos pesos com backpropagation
12:49
Bias, erro, descida do gradiente estocástico e mais parâmetros
11:21
Funções de ativação - implementação II
12:55

Neste questionário você terá algumas questões para revisão do conteúdo teórico sobre as redes neurais artificiais

Teoria sobre redes neurais artificiais
5 questions
Referências complementares
00:43
+ Classificação binária - base breast cancer
14 lectures 02:28:49
Estrutura da rede neural
14:05
Configuração e execução da rede neural
11:42
Previsões com a rede neural
09:12
Mais camadas e parâmetros do otimizador
11:29
Visualização dos pesos
05:59
Validação cruzada - teoria
12:15
Validação cruzada - implementação
11:58
Overfitting e underfitting - teoria
10:11
Overfitting e dropout - implementação
06:51
Tuning (ajuste) dos parâmetros
18:21
Classificação de somente um registro
10:03
Salvar a rede neural
06:27
O objetivo desta tarefa é melhorar os resultados de accuracy utilizando validação cruzada na base de dados breast cancer, utilizando para isso configurações adicionais na rede neural
Melhoria dos resultados na base breast cancer
1 question
+ Classificação multiclasse - base iris
5 lectures 43:10
Base de dados iris
07:26
Estrutura da rede neural II
08:06
Previsões com a rede neural
09:19
Validação cruzada
08:07
O objetivo desta tarefa é melhorar os resultados de accuracy escolhendo os melhores parâmetros por meio da técnica de tuning e GridSearch vistos na seção anterior
Tuning dos parâmetros
1 question
O objetivo desta tarefa é salvar o classificador em disco, carregá-lo e classificar somente um registro
Salvar o classificador e classificar somente uma planta
1 question
+ Regressão - base de carros usados
7 lectures 01:05:32
Pré-processamento - valores inconsistentes
05:14
Pré-processamento - valores faltantes
09:24
Pré-processamento - label encoder
05:38
Pré-processamento - one hot encoder
07:41
Estrutura da rede neural
13:26
O objetivo desta tarefa é executar o processo de tuning para descobrir a função de erro com melhor desempenho
Tuning com outras funções de erro
1 question
+ Regressão com múltiplas saídas - base vídeo games
4 lectures 39:31
Base de dados vídeo games
07:52
Pré-processamento I
07:50
Pré-processamento II
08:41
Estrutura da rede neural
15:08
O objetivo desta tarefa é criar uma rede neural para prever o atributo que mostra o total das vendas (global_sales), retornando somente uma previsão ao invés de três
Previsão do valor total das vendas dos jogos
1 question
+ Teoria sobre redes neurais convolucionais
8 lectures 01:06:40
Etapa 1 - operador de convolução (introdução)
06:53
Etapa 1 - operador de convolução (cálculo)
13:23
Etapa 2 - pooling
07:55
Etapa 3 - flattening
06:39
Etapa 4 - rede neural densa
07:38

Neste questionário você responderá algumas questões para revisar a teoria sobre as redes neurais convolucionais

Teoria sobre redes neurais convolucionais
5 questions
Referências complementares
00:28
+ Classificação de dígitos escritos a mão
5 lectures 01:14:54
Base de dados MNIST
18:43
Estrutura da rede neural
16:25
Melhorias na rede neural
10:42
Validação cruzada
16:53
Aumento da quantidade de imagens (augumentation)
12:11
O objetivo desta tarefa é construir um classificador para previsão dos seguintes objetos da base de dados CIFAR-10: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhões!
Base de dados CIFAR-10
1 question
Requirements
  • O único pré-requisito obrigatório é conhecimento sobre lógica de programação, principalmente estruturas condicionais e de repetição
  • Também são necessários conhecimentos sobre instalação de softwares básicos, porém, durante o curso será mostrado o processo de instalação das ferramentas utilizadas durante todo o curso
  • Conhecimentos em Python não são obrigatórios, sendo possível acompanhar o curso sem saber essa linguagem com profundidade
  • Conhecimentos em Machine Learning, Redes Neurais ou Inteligência Artificial não são obrigatórios. No final do curso existe um apêndice com várias aulas básicas sobre esses assuntos caso seja seu primeiro contato com a área
Description

Importante: o código fonte está atualizado para as últimas versões das bibliotecas, inclusive o TensorFlow 2.0!

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! :)

Who this course is for:
  • Pessoas interessadas em iniciar seus estudos em deep learning (aprendizagem profunda)
  • Pessoas interessadas em redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e redes adversariais generativas
  • Pessoas interessadas em iniciar uma carreira em Ciência de Dados utilizando técnicas modernas de aprendizagem de máquina
  • Empreendedores que queiram aplicar aprendizagem de máquina em projetos comerciais
  • Analistas de dados que queiram aumentar seu conhecimento na área de deep learning (aprendizagem profunda)
  • Empresários que desejam criar soluções eficientes para problemas reais em suas empresas
  • Alunos de graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial