"""

Aprendizado Profundo usando Python - Guia Completo e Compacto para Iniciantes

Aprendizado Profundo usando Python, Numpy, Pandas, Matplotlib, Keras Text MLP, VGGNet, ResNet, Modelo Personalizado no Colab

Avaliação: 4.0 de 522 avaliações

Total de horas: 10

Total de palestras: 84

Nível de dificuldade: Todos os níveis

Bem-vindo ao meu novo curso 'Aprendizado Profundo do Zero usando Python e Keras'. Como você já sabe, o campo da inteligência artificial pode ser amplamente dividido em aprendizado profundo e aprendizado de máquina. O aprendizado profundo, em particular, concentra-se no uso de redes neurais profundas e algoritmos para aprender características de alto nível a partir de dados sem intervenção humana. Isso torna o aprendizado profundo a base de todos os futuros sistemas auto-inteligentes. Neste curso, começaremos do básico, como aprender os fundamentos das linguagens de programação e outras bibliotecas de suporte, antes de mergulhar nos tópicos principais. Vamos dar uma olhada nos tópicos interessantes abordados neste curso. Começaremos com uma sessão teórica introdutória sobre Inteligência Artificial, Aprendizado de Máquina, Aprendizado Profundo baseado em Neurônios Artificiais e Redes Neurais. Depois disso, iremos preparar nosso computador para a codificação em Python baixando e instalando o pacote Anaconda. Também usaremos o Jupyter notebook, um ambiente de desenvolvimento integrado baseado em navegador, para nossos exercícios de codificação. Se você não tem experiência em programação em Python, não se preocupe. As próximas sessões e exemplos ajudarão você a adquirir as habilidades básicas de programação em Python necessárias para este curso. Abordaremos tópicos como atribuição em Python, controle de fluxo, funções, listas e tuplas, dicionários e muito mais. Em seguida, mergulharemos nos conceitos básicos da biblioteca Python Numpy, que fornece suporte para matrizes e matrizes multidimensionais grandes, juntamente com uma ampla variedade de classes e funções. Também exploraremos a biblioteca Matplotlib, uma biblioteca de plotagem para Python que funciona bem com expressões numéricas em NumPy. Por fim, abordaremos a biblioteca Pandas, uma poderosa ferramenta para manipulação e análise de dados em Python. Depois de cobrirmos o básico, passaremos para a instalação das bibliotecas de aprendizado profundo Theano, TensorFlow e Keras. A partir deste ponto, escreveremos todo o nosso código usando o Keras. Antes de mergulharmos no aprendizado profundo, teremos uma sessão teórica aprofundada sobre a estrutura básica de um neurônio artificial e como eles são combinados para formar uma rede neural artificial. Também exploraremos funções de ativação, funções de perda e otimizadores, bem como diferentes tipos e casos de uso para cada um. Por fim, discutiremos os tipos mais populares de redes neurais de aprendizado profundo, sua estrutura básica e suas aplicações. O curso é dividido em duas partes. A primeira metade concentra-se na criação de modelos de redes neurais de várias camadas para conjuntos de dados baseados em texto, enquanto a segunda metade concentra-se na criação de redes neurais convolucionais para conjuntos de dados baseados em imagens. Nos modelos baseados em texto, começaremos com um modelo de regressão para prever os preços das casas no Condado de King, EUA. Buscaremos e carregaremos o conjunto de dados do site Kaggle, faremos uma análise exploratória dos dados, prepararemos os dados, definiremos o modelo de aprendizado profundo do Keras, compilaremos o modelo, ajustaremos o conjunto de dados e avaliaremos os resultados usando métricas como precisão e perda. Em seguida, passaremos para um modelo de classificação binária baseado em texto usando uma versão derivada do conjunto de dados de doenças cardíacas do Repositório de Aprendizado de Máquina da UCI. As etapas serão semelhantes ao modelo anterior, incluindo busca e carregamento do conjunto de dados, análise exploratória dos dados, preparação dos dados, definição do modelo, compilação, ajuste e avaliação. Após o modelo de classificação binária, passaremos para um modelo de classificação multiclasse baseado em texto usando o conjunto de dados de qualidade do vinho tinto do site Kaggle. Novamente, as etapas serão semelhantes aos modelos anteriores, incluindo busca e carregamento do conjunto de dados, análise exploratória dos dados, preparação dos dados, definição do modelo, compilação, ajuste e avaliação. Ao longo do curso, aprenderemos técnicas para salvar e carregar modelos treinados, bem como técnicas para melhorar a qualidade do modelo, como regularização de dropout, otimização, ajuste de preenchimento e filtros e aumento de imagem. Também exploraremos a sintonização de hiperparâmetros para comparar automaticamente diferentes técnicas de otimização. Além de construir modelos do zero, também exploraremos a transferência de aprendizado, onde podemos aproveitar modelos de aprendizado profundo pré-treinados, como VGG16, VGG19 e ResNet50. Baixaremos esses modelos usando o Keras e os usaremos para fazer previsões. Também treinaremos nosso próprio modelo usando a arquitetura VGG16 e nosso conjunto de dados de flores. Para melhorar o processamento paralelo, utilizaremos o Google Colab, um serviço gratuito de GPU baseado em nuvem fornecido pelo Google. Treinaremos nossos modelos usando VGG16, VGG19 e ResNet no Google Colab e, em seguida, serializaremos os modelos para previsões futuras. Todo o código, imagens, modelos e pesos usados neste curso foram enviados e compartilhados em uma pasta. Você está livre para usar o código em seus projetos sem restrições. Ao concluir este curso, você receberá um certificado de conclusão do curso, que agregará valor ao seu portfólio. Isso é tudo por enquanto. Esperamos vê-lo na sala de aula. Boa aprendizagem e divirta-se!