Visão Geral

Este Curso Advanced Deep Learning with Keras and Python, Keras é uma biblioteca de rede neural Python de código aberto para a criação de redes neurais de aprendizagem profunda. Keras oferece um conjunto intuitivo de abstrações, simplificando o desenvolvimento de redes neurais e modelos de aprendizagem profunda.

Objetivo

Até o final deste treinamento, os participantes poderão:

• Aplique a aprendizagem profunda com métodos de aprendizagem supervisionados ou não supervisionados.
• Desenvolver, treinar e implementar redes neurais simultâneas e redes neurais recorrentes.
• Use Keras e Python para construir modelos de aprendizagem profunda para resolver problemas envolvendo imagens, texto, som e muito mais.

Publico Alvo

• Engenheiros de software

Pre-Requisitos

• Uma compreensão da álgebra linear básica

Informações Gerais

Carga horaria: 16h

• Se noturno este curso e ministrado de segunda-feira a sexta-feira das 19h às 23h, total de 4 encontros.
• Se aos sábados este curso e ministrado das 09h às 18h, total de 2 encontros.

Formato de entrega:

• 100% on-line ao vivo via Microsoft Teams, na presença de um instrutor/consultor ativo no mercado e docente em sala de aula. 
• Nota: não é curso gravado (o mesmo acontece em tempo real na presença de um instrutor).
• Apostila + exercícios práticos

Materiais

Conteúdo Programatico

Introduction

Keras and Deep Learning Frameworks

1. TensorFlow and Theano back-ends
2. Keras vs Tensorflow

Data and Machine Learning

1. Tabular data, visual data, unstructured data, etc.
   
2. Unsupervised learning, supervised learning, reinforcement learning, etc.

Preparing the Development Environment

1. Installing and configuring Anaconda
   
2. Installing Keras with a TensorFlow back-end

Neural Networks in Keras

1. Using Keras functional API to build a network
2. Pre-processing and fitting data
3. Defining a Keras model

Mutiple Input and Output Networks

1. Building two input-networks
2. Representing high-cardinality data
3. Merging layers
4. Extending the two input-network
5. Building neural networks with multiple outputs
6. Solving multiple problems simultaneously

Training and Pre-Training

1. Training models
2. Saving and loading models
3. Using ResNet50 on models

TensorBoard

1. Exporting Keras logs
2. Visualizing a computational graph and training progress

Google Cloud

1. Exporting models
2. Uploading Keras models
3. Using a model in Google Cloud