"""

Aprendizado Profundo de A a Z com PyTorch e Python

Aprenda tudo o que você precisa saber para dominar o campo do Aprendizado Profundo usando a biblioteca PyTorch e Python! O campo do Aprendizado Profundo trata de aplicar redes neurais artificiais para resolver problemas complexos que requerem técnicas computacionais avançadas. Existem inúmeras aplicações práticas que já foram construídas usando essas técnicas, como carros autônomos, descoberta de novos medicamentos, diagnóstico precoce e tratamento de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão do mercado de ações e até mesmo geração automática de roteiros para filmes! Nestes exemplos, a técnica subjacente utilizada são as redes neurais artificiais, que visam "imitar" como o cérebro humano funciona e são consideradas as mais avançadas no campo do Aprendizado de Máquina. O Aprendizado Profundo é atualmente um dos campos mais relevantes em Inteligência Artificial, com um mercado de trabalho em crescimento nos Estados Unidos e em vários países europeus. Prevê-se que esse tipo de profissional seja cada vez mais demandado no Brasil também. Na verdade, alguns estudos sugerem que o conhecimento nessa área em breve será um pré-requisito para profissionais de TI. E para orientá-lo nesse campo, este curso fornece insights teóricos e práticos sobre as principais e mais modernas técnicas de Aprendizado Profundo usando a biblioteca PyTorch e Python! Este curso abrange desde o básico de redes neurais até técnicas mais avançadas e modernas, para que, no final, você tenha todas as ferramentas necessárias para construir soluções complexas que possam ser aplicadas a problemas de negócios do mundo real. O conteúdo é dividido em sete partes: redes neurais artificiais, redes neurais convolucionais, autoencoders, redes adversárias generativas (GANs), redes neurais recorrentes, transferência de aprendizado e transferência de estilo. Você aprenderá a teoria básica por trás de cada um desses tópicos e implementará exemplos práticos passo a passo em cenários do mundo real. Aqui estão alguns dos projetos que serão desenvolvidos: Classificação de se um tumor é maligno ou benigno com base em dados de tumores, Classificação de tipos de plantas, Previsão de preços de veículos usados com base em características dos carros, Previsão de vendas de jogos de vídeo, Classificação de dígitos escritos à mão, Classificação de imagens de gatos e cachorros, Classificação de imagens de Homer e Bart dos Simpsons, Classificação de objetos como aviões, carros, pássaros, gatos, veados, cães, sapos, cavalos, barcos e caminhões, Previsão de séries temporais de preços de ações da Petrobras, Previsão de poluição na China em determinados horários do dia, Compressão de imagens (redução de dimensionalidade), Geração automática de imagens com GANs, Classificação personalizada de objetos, Combinação de estilos de imagem: uma pintura de Tarlisa de Amaral com uma foto do Mister Bean! No final de cada seção prática, você encontrará projetos de programação para reforçar o conteúdo das implementações, todos com soluções para você comparar com seu progresso! Este curso é adequado para todos os níveis, então se este for o seu primeiro encontro com o Aprendizado Profundo, há um apêndice que contém lições básicas sobre aprendizado de máquina e redes neurais! Você está pronto para dar um passo importante em sua carreira? Estou ansioso para vê-lo no curso!

O que você vai aprender

- Desenvolver todos os exemplos do curso usando a biblioteca PyTorch - Aprender a teoria e a prática de construir redes neurais artificiais para resolver problemas do mundo real - Compreender os conceitos de redes neurais convolucionais, redes neurais recorrentes, autoencoders, redes adversárias generativas, transferência de aprendizado e transferência de estilo - Avaliar e configurar os parâmetros de uma rede neural - Construir passo a passo redes neurais aplicadas a problemas de classificação e regressão - Construir passo a passo uma rede neural para prever o preço de veículos usados e vendas de jogos de vídeo - Implementar redes neurais convolucionais para classificar dígitos escritos à mão e identificar gatos e cachorros em imagens - Implementar uma rede neural recorrente para prever preços de ações da Petrobras - Criar novas imagens usando redes adversárias generativas - Usar autoencoders para comprimir imagens - Criar um classificador de imagem personalizado usando modelos que foram treinados para detectar mais de 1.000 objetos - Usar transferência de estilo para combinar uma pintura de Tarlisa de Amaral com uma foto do Mister Bean!