Odisseia do Deep Learning

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

You will gain a foundational understanding of TensorFlow's primary components - Tensors. You'll delve into the nature and applications of tensors, familiarize yourself with tensor properties, and acquire knowledge in essential mathematical operations.

You'll learn how TensorFlow operates and the ways to improve its performance. By the end of this module, you'll be well-equipped to implement basic neural networks or other tensor calculations, using only the TensorFlow library without any extras.

Explore os fundamentos do PyTorch, com foco em tensores— a principal estrutura de dados utilizada para cálculos. Serão abordados criação de tensores, inicialização aleatória, operações matemáticas e manipulação de formas.

Explore conceitos fundamentais para o treinamento de modelos no PyTorch, incluindo o cálculo de gradientes e a realização de retropropagação em múltiplas etapas. Domine a regressão linear como um modelo básico de aprendizado de máquina e aprenda a lidar com conjuntos de dados de forma eficiente.

Descubra como construir, treinar e avaliar redes neurais utilizando PyTorch. Você aprenderá a definir uma rede neural feedforward simples, otimizar seus parâmetros durante o treinamento e avaliar seu desempenho.

A visão computacional permite que máquinas interpretem e analisem dados visuais, imitando a percepção humana. Esta seção aborda os fundamentos da representação de imagens, modelos de cor e bases matemáticas essenciais para compreender como os computadores processam imagens. Serão exploradas aplicações do mundo real, desde veículos autônomos até imagens médicas, além de como a visão computacional se integra à IA e ao aprendizado de máquina.

OpenCV é uma biblioteca poderosa para manipulação de imagens e tarefas de visão computacional. Esta seção aborda técnicas essenciais como filtragem de imagens, transformações, detecção de bordas e segmentação. Você aprenderá a realizar desfoque, limiarização, detecção de contornos e extração de características para aprimorar e analisar imagens de forma eficiente.

As CNNs processam dados visuais utilizando camadas de convolução, pooling e ativação para extrair características em tarefas como classificação de imagens e detecção de objetos. Os principais componentes incluem padding, convolução para extração de características, pooling para redução de complexidade e ativação para introdução de não linearidade. Arquiteturas populares como AlexNet, VGG e ResNet impulsionam a IA em saúde, autonomia e segurança.

A detecção de objetos é uma tarefa fundamental em visão computacional que envolve a identificação e localização de objetos dentro de uma imagem. Diferentemente da classificação de imagens, que atribui um único rótulo a toda a imagem, a detecção de objetos não apenas classifica os objetos, mas também determina suas posições utilizando caixas delimitadoras. Esta seção aborda as principais técnicas e algoritmos utilizados em detecção de objetos, abrangendo desde métodos tradicionais até abordagens baseadas em aprendizado profundo, como YOLO e U-Net.

A visão computacional avançou significativamente ao longo dos anos, passando de métodos básicos de processamento de imagens para técnicas complexas de deep learning. Esta seção aborda as inovações mais recentes em visão computacional, com foco em transfer learning, reconhecimento facial e geração de imagens. Serão explorados os benefícios de modelos pré-treinados no desempenho, os princípios da tecnologia de reconhecimento facial e a forma como a IA cria imagens por meio de deep learning.

Aborda as limitações das redes neurais tradicionais para dados sequenciais e apresenta os fundamentos das Redes Neurais Recorrentes. Explica a arquitetura das RNNs, seus tipos e a implementação passo a passo por meio de exemplos básicos e um desafio de programação.

Explora desafios comuns de treinamento, como gradientes desaparecendo e explodindo. Introduz variantes avançadas de RNN, incluindo LSTM e GRU, destacando seus mecanismos internos e casos de uso, com exemplos práticos de implementação para cada uma.

Foca no processamento e previsão de dados de séries temporais utilizando modelos baseados em RNN. Inclui carregamento de dados, técnicas de pré-processamento, treinamento de modelos e avaliação de desempenho, com ênfase na comparação entre as arquiteturas LSTM e GRU.

Demonstra a aplicação de RNNs em tarefas de classificação de texto. Aborda conceitos fundamentais de PLN, métodos de codificação de texto, etapas de preparação de dados e construção de um modelo baseado em LSTM para previsão de sentimento.