Deep Learning de A a Z com PyTorch e Python

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 a biblioteca PyTorch o Python! Este curso apresenta 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, autoencoders, redes adversariais generativas (GANs), redes neurais recorrentes, transferência de aprendizagem (transfer learning) e transferência de estilos (style transfer). 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 imagens 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

• Compactação (redução de dimensionalidade) de imagens

• Criação automática de imagens com GANs

• Classificação de objetos personalizados

• Combinação de estilos de imagens: um quadro da Tarlisa de Amaral com uma foto do Mister Bean!

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!

Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! :)