"""

Aprendizado Profundo Não Supervisionado em Python

Autoencoders, Máquinas de Boltzmann Restritas, Redes Neurais Profundas, t-SNE e PCA

Este curso é o próximo passo na minha série sobre aprendizado profundo, ciência de dados e aprendizado de máquina. Eu já abordei vários tópicos em aprendizado profundo e recentemente lancei um curso sobre aprendizado não supervisionado, onde discuti agrupamento e estimativa de densidade. Agora, vamos combinar esses conceitos e mergulhar no aprendizado profundo não supervisionado! Neste curso, começaremos com os fundamentos, como análise de componentes principais (PCA) e t-SNE (t-distributed stochastic neighbor embedding), uma técnica popular de redução de dimensionalidade não linear. Em seguida, exploraremos autoencoders, um tipo especial de rede neural não supervisionada. Explicarei como os autoencoders funcionam e demonstrarei como eles podem ser empilhados para formar uma pilha profunda de autoencoders, melhorando o desempenho de uma rede neural profunda supervisionada. Os autoencoders podem ser vistos como uma versão não linear do PCA. Além disso, estudaremos máquinas de Boltzmann restritas (RBMs), outra rede neural não supervisionada amplamente utilizada. As RBMs podem ser usadas de forma semelhante aos autoencoders para pré-treinar redes neurais profundas supervisionadas. Apresentarei um método interessante de treinamento para RBMs chamado amostragem de Gibbs, que é um caso especial de Monte Carlo por Cadeia de Markov. Apesar de ser uma aproximação, esse método reduz efetivamente outras funções de custo, incluindo aquela usada para autoencoders. Também é conhecido como Divergência Constrastiva ou CD-k. Definiremos o conceito de energia livre, inspirado em sistemas físicos, e buscaremos minimizá-lo. Por fim, reuniremos todos esses conceitos e exploraremos visualmente as características aprendidas por autoencoders e RBMs usando PCA e t-SNE. Mesmo sem rótulos, os resultados sugerem a descoberta de padrões. Todos os materiais usados neste curso estão disponíveis gratuitamente. Para aproveitar ao máximo este curso, é recomendado que você tenha um sólido entendimento de cálculo, álgebra linear e programação em Python. Você precisará instalar o Numpy, Theano e Tensorflow, que são ferramentas essenciais em sua caixa de ferramentas de análise de dados. Se você está interessado em aprendizado profundo e deseja explorar desenvolvimentos modernos além da retropropagação básica, incluindo a interpretação de características aprendidas de maneira hierárquica, este curso é perfeito para você. Ele se concentra em construir uma compreensão profunda em vez de apenas usar modelos pré-existentes. Ao experimentar e visualizar o funcionamento interno dos modelos, você obterá uma visão mais profunda do aprendizado de máquina. Como o grande físico Richard Feynman disse uma vez: "O que eu não posso criar, eu não entendo". Meus cursos são únicos porque ensinam como implementar algoritmos de aprendizado de máquina do zero. Enquanto outros cursos podem orientá-lo no uso de bibliotecas, meus cursos capacitam você a realmente compreender os conceitos. Afinal, repetir as mesmas linhas de código com conjuntos de dados diferentes não equivale a aprender. Pré-requisitos sugeridos: - Cálculo - Álgebra linear - Probabilidade - Programação em Python: if/else, loops, listas, dicionários, conjuntos - Programação em Numpy: operações de matriz e vetor, carregamento de um arquivo CSV - Capacidade de escrever uma rede neural feedforward em Theano ou Tensorflow Para determinar a ordem ideal para fazer meus cursos, consulte a palestra "Roteiro de Pré-requisitos de Aprendizado de Máquina e IA" disponível na seção de perguntas frequentes de qualquer um dos meus cursos, incluindo o curso gratuito de Numpy.

O que você aprenderá

Ao final deste curso, você será capaz de: - Compreender a teoria por trás da análise de componentes principais (PCA) - Reconhecer a utilidade do PCA para redução de dimensionalidade, visualização, decorrelação e remoção de ruído - Ser capaz de derivar manualmente o algoritmo PCA - Escrever código para implementar o PCA - Compreender a teoria por trás do t-SNE - Ser capaz de usar o t-SNE em seu código - Compreender as limitações do PCA e do t-SNE - Compreender a teoria por trás dos autoencoders - Escrever um autoencoder usando Theano e Tensorflow - Compreender a aplicação de autoencoders empilhados no aprendizado profundo - Escrever um autoencoder empilhado com remoção de ruído usando Theano e Tensorflow - Compreender a teoria por trás das máquinas de Boltzmann restritas (RBMs) - Reconhecer os desafios no treinamento de RBMs - Compreender o algoritmo de divergência constrastiva para treinamento de RBMs - Escrever sua própria RBM e rede de crenças profundas (DBN) usando Theano e Tensorflow - Visualizar e interpretar as características aprendidas por autoencoders e RBMs