Neste capítulo, você se familiarizará com os conceitos e a terminologia fundamentais usados na aprendizagem profunda e entenderá por que as técnicas de aprendizagem profunda são tão poderosas atualmente. Você criará redes neurais simples e gerará previsões com elas.

Introdução à aprendizagem profunda

Comparação de modelos de redes neurais com modelos de regressão clássicos

Propagação direta

Codificação do algoritmo de propagação progressiva

Funções de ativação

A função de ativação linear retificada

Aplicar a rede a muitas observações/linhas de dados

Redes mais profundas

Propagação direta em uma rede mais profunda

Redes neurais multicamadas

As representações são aprendidas

Níveis de representação

Noções básicas de aprendizagem profunda e redes neurais

Saiba como otimizar as previsões geradas por suas redes neurais. Você usará um método chamado backward propagation, que é uma das técnicas mais importantes da aprendizagem profunda. Entender como ele funciona dará a você uma base sólida para a segunda metade do curso.

A necessidade de otimização

Cálculo dos erros do modelo

Compreensão de como os pesos alteram a precisão do modelo

Codificação de como as alterações de peso afetam a precisão

Dimensionamento para vários pontos de dados

Descida de gradiente

Cálculo de inclinações

Aprimoramento dos pesos do modelo

Fazer várias atualizações de pesos

Retropropagação

A relação entre a propagação para frente e para trás

Pensando na propagação para trás

Backpropagation na prática

Uma rodada de retropropagação

Otimização de uma rede neural com propagação para trás

Neste capítulo, você usará a biblioteca Keras para criar modelos de aprendizagem profunda para regressão e classificação. Você aprenderá sobre o fluxo de trabalho Specify-Compile-Fit que pode ser usado para fazer previsões e, ao final do capítulo, terá todas as ferramentas necessárias para criar redes neurais profundas.

Criando um modelo Keras

Entendendo seus dados

Especificação de um modelo

Compilação e ajuste de um modelo

Compilação do modelo

Ajuste do modelo

Modelos de classificação

Entendendo seus dados de classificação

Últimas etapas dos modelos de classificação

Usando modelos

Fazendo previsões

Criando modelos de aprendizagem profunda com o keras

Saiba como otimizar seus modelos de aprendizagem profunda no Keras. Comece aprendendo a validar seus modelos, depois entenda o conceito de capacidade do modelo e, por fim, faça experiências com redes mais amplas e profundas. 

Entendendo a otimização do modelo

Diagnosticar problemas de otimização

Alteração dos parâmetros de otimização

Validação do modelo

Avaliação da precisão do modelo no conjunto de dados de validação

Parada precoce: Otimizando a otimização

Experimentação com redes mais amplas

Adicionando camadas a uma rede

Pensando na capacidade do modelo

Experimentando estruturas de modelos

Como você pode ver nas imagens

Criando seu próprio modelo de reconhecimento de dígitos

Considerações finais

Ajuste fino dos modelos keras

Hourly wages

MNIST

Titanic

A aprendizagem profunda é a técnica de aprendizagem de máquina por trás dos recursos mais interessantes em diversas áreas, como robótica, processamento de linguagem natural, reconhecimento de imagens e inteligência artificial, incluindo o famoso AlphaGo. Neste curso, você obterá conhecimento prático de como usar a aprendizagem profunda com o Keras 2.0, a versão mais recente de uma biblioteca de ponta para aprendizagem profunda em Python.

<h2>Descubra os aplicativos de aprendizagem profunda </h2>
A aprendizagem profunda é a técnica de aprendizagem de máquina por trás dos recursos mais interessantes em robótica, processamento de linguagem natural, reconhecimento de imagens e inteligência artificial. Neste curso de 4 horas, você obterá conhecimento prático sobre como aplicar suas habilidades em Python à aprendizagem profunda com a biblioteca Keras 2.0.
<br><br>
<h2>Explore os modelos Keras com um colaborador da biblioteca</h2>
Ministrado pelo ex-cientista de dados do Google e colaborador do Keras, Dan Becker, este curso de aprendizagem profunda explora os modelos de rede neural e como você pode gerar previsões com eles. Nos primeiros capítulos, você entenderá melhor a propagação para frente e para trás e como elas funcionam na prática.
<br><br>
A biblioteca Keras é uma biblioteca Python que pode ajudar você a desenvolver e analisar modelos de aprendizagem profunda. Como muitas bibliotecas Python, ela é gratuita, de código aberto e muito fácil de usar. Você começará criando um modelo do Keras e aprenderá a compilá-lo, ajustá-lo e classificá-lo antes de fazer previsões. Depois de concluir este curso, você terá todas as ferramentas necessárias para criar redes neurais profundas e começar a fazer experiências com redes mais amplas e profundas ao longo do tempo.
<br><br>
<h2>Aprofunde-se mais na aprendizagem profunda</h2>
Este curso faz parte de várias trilhas de aprendizado de máquina e aprendizado profundo, oferecendo a você caminhos claros para desenvolver suas habilidades e experiência nessa área depois de concluir o curso introdutório, quer você queira concluir um projeto pessoal ou seguir uma carreira como cientista de aprendizado de máquina.

Supervised Learning with scikit-learn

Descubra como usar deep learning para processamento de linguagem, reconhecimento de imagens e IA com Keras 2.0.

Introdução à aprendizagem profunda em Python

Aprenda os fundamentos das redes neurais e como criar modelos de deep learning com Keras 2.0 em Python.

Data Scientist and contributor to Keras and TensorFlow libraries

Forward propagation

Bank transactions example

Forward propagation code

Let's practice!

Noções básicas de aprendizagem profunda e redes neurais - Propagação direta