"""

Aprendizado Profundo e Redes Neurais com Python: O Curso Completo

Aprenda os Segredos do Aprendizado Profundo e Crie suas Próprias Redes Neurais Artificiais com Python, Keras e Tensorflow

Descubra os segredos do Aprendizado Profundo e aprenda como criar suas próprias Redes Neurais Artificiais usando Python, Keras e Tensorflow. A Inteligência Artificial está progredindo exponencialmente, avançando como nenhuma outra tecnologia na história da humanidade, e o crédito vai para um campo: o Aprendizado Profundo. O Aprendizado Profundo é um conjunto de métodos usados para treinar Redes Neurais Artificiais, um modelo particular de Aprendizado de Máquina que revolucionou toda a indústria. Aplicações práticas do Aprendizado Profundo e Redes Neurais Artificiais já estão ao nosso redor: carros autônomos que mudarão a mobilidade urbana como nunca antes, assistentes virtuais como Alexa da Amazon e Google Home que estão cada vez mais presentes em nossas casas, e sistemas inteligentes como o IBM Watson que ajudam médicos a fazerem melhores diagnósticos e salvam vidas todos os dias. Neste curso, exploraremos o funcionamento do Aprendizado Profundo e aprenderemos juntos como criar nossos próprios modelos de Redes Neurais Artificiais usando Python e Keras no Tensorflow para resolver diferentes problemas, como identificar tumores malignos, reconhecer itens de vestuário em fotos e classificar avaliações como positivas ou negativas. Você já fez nosso primeiro curso sobre Aprendizado de Máquina com Python ou tem experiência com Aprendizado de Máquina? Então você está pronto para se aprofundar no estudo do Aprendizado Profundo e Redes Neurais Artificiais. Você nunca lidou com Aprendizado de Máquina antes? Não se preocupe, também pensamos em você. Dentro do curso, você encontrará seções específicas onde serão fornecidos todos os pré-requisitos em Aprendizado de Máquina necessários para se aventurar em Redes Neurais Artificiais. Não sabe programar (ainda) e não conhece a linguagem Python? Não se preocupe, ensinaremos tudo durante o curso! A única coisa que você precisa para fazer este curso é algum conhecimento básico de matemática do ensino médio. O que faremos durante o curso? Na primeira seção, observaremos exatamente para que serve o Aprendizado Profundo e algumas de suas aplicações mais importantes. Veremos juntos quais são as linguagens mais populares para o Aprendizado Profundo e quais bibliotecas Python nos permitem criar Redes Neurais Artificiais. Após essa breve introdução, colocaremos a mão na massa observando o funcionamento de uma rede neural artificial e, em seguida, criaremos uma juntos para reconhecer tumores malignos com base em informações extraídas de exames radiológicos. Continuaremos o curso estudando todas as principais técnicas usadas para treinar uma rede neural artificial, como Descida de Gradiente em suas variantes Full Batch, Mini Batch e Estocástica, o uso de Momentum e Momentum de Nesterov, AdaGrad, RMSprop, AdaDelta e Adam, Nadam e Adamax. Usaremos as informações adquiridas para treinar uma rede neural artificial capaz de reconhecer calçados, itens de vestuário e acessórios em fotografias usando o conjunto de dados Fashion-MNIST. Na seção seguinte, introduziremos o problema do overfitting em redes neurais artificiais e veremos como combatê-lo com técnicas genéricas como regularização L1 e L2, bem como técnicas específicas para redes neurais como Dropout. Aqui, usaremos o conjunto de dados de avaliações de filmes do Internet Movie Database (IMDB) para criar uma rede neural capaz de entender autonomamente se uma avaliação é positiva ou negativa. O processo de treinamento de uma Rede Neural Artificial pode ser muito demorado e exigir muitos recursos computacionais. Por isso, criamos uma seção dedicada para mostrar como acelerar o processo aproveitando a paralelização de GPU e serviços em nuvem como Google Colaboratory e Amazon AWS. Continuaremos o curso explorando um tipo de rede neural artificial que revolucionou completamente o campo de Visão Computacional, tornando todas as técnicas anteriormente utilizadas obsoletas: Redes Neurais Convolucionais. Em seguida, veremos outro tipo de rede neural extremamente útil quando nossos dados são uma sequência, como textos, áudio, vídeo e séries temporais, ou seja, Redes Neurais Recorrentes nas variantes Vanilla Recurrent Neural Network, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU). Também veremos como criar representações vetoriais de textos usando Word Embedding. Na última seção prática, combinaremos camadas convolucionais e recorrentes para criar uma Rede Neural Convolucional de Memória Longa. Ao final do curso, você receberá algumas dicas sobre como continuar sua aventura no campo do Aprendizado Profundo, tanto do ponto de vista prático quanto teórico. Inteligência Artificial, Aprendizado de Máquina e Aprendizado Profundo estão em constante evolução, então, após a última seção, não considere este curso concluído, pois ele será constantemente atualizado com novo conteúdo. Você receberá uma notificação por e-mail a cada nova atualização. O conteúdo planejado para a próxima atualização inclui: fazer previsões em séries temporais usando redes neurais recorrentes, técnicas de aumento de conjunto de dados e geradores de imagens.

O que você aprenderá

- Entender o funcionamento de Redes Neurais Artificiais - Compreender as vantagens das Redes Neurais Artificiais Profundas - Distinguir entre diferentes tipos de algoritmos de otimização - Programar uma Rede Neural Artificial com Keras no Tensorflow - Treinar uma Rede Neural Artificial para reconhecimento de objetos - Treinar uma Rede Neural Artificial para classificação de texto - Treinar uma Rede Neural Artificial Profunda usando GPU - Treinar uma Rede Neural Artificial Profunda na Nuvem - Criar Redes Neurais Convolucionais para problemas de Visão Computacional - Criar Redes Neurais Recorrentes (LSTM e GRU) para problemas de Processamento de Linguagem Natural - Usar Word Embedding para criar uma representação vetorial de textos - Analisar um conjunto de dados usando Pandas - Trabalhar com iPython e Jupyter Notebook