Primary KLA: English, Mathematics, Science and Technology
Secondary KLA: English, Mathematics, Science, Technology
Educational levels: Year 3, Year 4, Year 5, Year 6, Year 7, Year 8
This cross-curriculum resource is designed to introduce Stage 2, 3 and 4 students to the design thinking process through a series of videos and interactive activities. This resource can only be viewed in Chrome, MS Edge, Firefox and Safari.
Link to Design thinking across the curriculum resource (opens in new tab)
Redes neurais artificiais, convolucionais, recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e GANs
What you'll learn:
- Aprenda na teoria e na prática como construir redes neurais artificiais para resolver problemas reais do dia
- Aprenda os conceitos sobre redes neurais convolucionais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, auto encoders e redes adversariais generativas
- Avalie e configure os parâmetros de uma rede neural
- Construa passo a passo redes neurais aplicadas em problemas de classificação e regressão
- Construa passo a passo uma rede neural para prever o preço de veículos usados e prever a venda de jogos de vídeo games
- Implemente redes neurais convolucionais para classificar dígitos escritos a mão e também para identificar gatos e cachorros em imagens
- Implemente uma rede neural recorrente para prever os preços das ações da Petrobras
- Implemente mapas auto organizáveis aplicados em agrupamento de dados e detecção de fraudes em bases financeiras
- Reduza a dimensionalidade de bases de dados utilizando Boltzmann Machines e autoencoders
- Crie um sistema de recomendação utilizando Boltzmann Machines
- Crie novas imagens utilizando redes adversariais generativas
Importante: o código fonte está atualizado para as últimas versões das bibliotecas, inclusive o TensorFlow 2.0!
A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícioscomputacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essastécnicas, tais como:carros autônomos, descoberta de novos medicamentos,cura e diagnóstico antecipado dedoenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes! Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram "imitar" como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina).
A área de Deep Learningé atualmente um dos campos de trabalhomais relevantesda Inteligência Artificial, sendo que omercado de trabalho dessa área nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação!
E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Deep Learning utilizando o Python! Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos sobre as redes neurais até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Para isso, o conteúdo está dividido em sete partes: redes neurais artificiais, redes neurais convolucionais, redes neurais recorrentes, mapas auto organizáveis, boltzmann machines, autoencoders e redes adversariais generativas. Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais. Veja abaixo alguns dos projetos que serão desenvolvidos:
Classificação se um câncer é maligno ou benigno baseado nos dados do tumor
Classificação de tipos de plantas
Previsão do preço de veículos usados baseado nas características do carro
Previsão de quanto um jogo de vídeo game venderá
Classificação de dígitos escritos a mão
Classificação de imagens de gatos e cachorros
Classificação das imagens do Homer e Bart, do desenho dos Simpsons
Classificação de objetos, como por exemplo: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhões
Construção de série temporal para previsão dos preços das ações da Petrobrás
Previsão da poluição na China em determinadas horas do dia
Agrupamento de tipos de vinhos baseados nas características do produto
Agrupamento de câncer que são malignos ou benignos
Detecção de clientes que podem tentar fraude em bases de dados financeiras
Redução de dimensionalidade em imagens
Desenvolvimento de um sistema de recomendação básico de filmes
Comparação de sistemas de recomendação utilizando redes neurais e utilizando técnicas clássicas de filtragem colaborativa
Criação automática de imagens
Ao final de cada seção teórica você tem questionários para revisar o conteúdo, bem como indicações de referências complementares caso você queira aprender mais sobre os assuntos. E ao final de cada seção prática, você encontra projetos de programação para fortalecer o conteúdo sobre as implementações, todos com as soluções para você comparar com o seu progresso!
Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning, você conta com um apêndice que contém aulas básicas sobre aprendizagem de máquina e redes neurais! É também importante enfatizar que o único pré-requisito necessário é saber lógica de programação, pois mesmo se você não seja especialista na linguagem Python você conseguirá acompanhar o curso sem nenhum problema!
Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! :)
Jones Granatyr and IA Expert Academy
Start your review of Deep Learning com Python de A a Z - O Curso Completo