Visão Geral

Curso Deep Learning Prático em Redes Neurais Artificiais, tem como objetivo fornecer treinamento aos alunos participantes sobre o essencial que ajuda a desenvolver um entendimento da intuição por trás das Redes Neurais Artificiais.

Através deste Curso Deep Learning Prático em Redes Neurais Artificiais, os alunos participantes, podem abrir caminho para se tornar um cientista de dados.

Este treinamento traz uma discussão juntamente com os candidatos para passar as as ferramentas para melhorar os modelos com o Ajuste de Parâmetro eficaz, processando os dados e avaliando o desempenho dos modelos.

Além disso, esse treinamento fornece informações sobre estrutura robusta, tutoriais sobre intuição, projetos interessantes, codificação prática e suporte no curso.

Objetivo

Após concluir o Curso Deep Learning Prático em Redes Neurais Artificiaisos candidatos serão capazes de:

• Entenda como avaliar o desempenho dos modelos com a técnica mais relevante, Validação Cruzada do k-Fold
• Aprenda a pré-processar os dados, a fim de aprender os modelos nas condições mais favoráveis
• Aprenda a auto-organizar os mapas para investigar a fraude
• Aprenda sobre a intuição por trás das redes neurais recorrentes
• Aprenda a aplicar as redes neurais recorrentes na prática
• Aprenda sobre a intuição por trás dos AutoEncoders
• Aprenda a aplicar as redes neurais artificiais na prática
• Aprenda a aplicar as máquinas Boltzmann na prática
• Desenvolver a compreensão da intuição por trás dos mapas auto-organizados

Publico Alvo

• Indivíduos interessados ​​em aprendizagem profunda e que tenham pelo menos conhecimentos do ensino médio em matemática
• Qualquer pessoa de nível intermediário que tenha o conhecimento básico de aprendizagem profunda, que inclua algoritmos clássicos como regressão linear ou regressão logística, mas que queira aprender mais sobre os tópicos: Redes neurais artificiais e explorar todos os diferentes campos da aprendizagem profunda.
• Os indivíduos não são muito compatíveis com a codificação, mas estão interessados ​​em Machine Learning ou Deep Learning e desejam aplicá-lo facilmente em conjuntos de dados.
• Os estudantes universitários que desejam iniciar uma carreira em Data Science
• Os analistas de dados que desejam subir de nível no Deep Learning
• Os indivíduos que planejam mudar de emprego para se tornar um cientista de dados
• Os indivíduos que desejam criar valor agregado para seus negócios usando poderosas ferramentas de Deep Learning

Pre-Requisitos

• Para uma melhor compreensão os candidatos precisam ter bons conhecimentos de matemática

Informações Gerais

• Carga horaria 24h
• Se noturno o curso e ministrado das 19h às 23h, total de 6 noites;
• Se aos sábados o curso e ministrado de 09h às 18h, total de 3 sábados;
• Se in-company o curso e ministrado de acordo com agenda do cliente;

Formato de Entrega:

• Presencial em sala de aula;
• On-line ao vivo em tempo real via vídeo conferencia 100% na presença de um instrutor com a mesma qualidade do curso presencial. Solicite um teste para validar a modalidade on-line na pratica;
• In-company

Instrutores:

• Ambos são capacitados atuando diariamente no mercado Deep Learning nos mais variados seguimentos de negócios;
• Ambos também são profissionais docente em sala de aula, trazendo sua experiência de mercado para dentro da sala de aula;

Cursos in-company

• Os cursos in-company são ministrados em formato padrão;
• Ou cursos customizado com base no processo do cliente, tipo step by step facilitando o dia – dia dos colaboradores internos ou externo, até mesmo em suas clientes mesmo em suas clientes.
• Solicite um orçamento;

Materiais

Conteúdo Programatico

Artificial Neural Networks

1. ANN Intuition
2. Plan of Attack
3. The Neuron
4. The Activation Function
5. How do Neural Networks work?
6. How do Neural Networks learn?
7. Gradient Descent
8. Stochastic Gradient Descent
9. Backpropagation

Building an ANN

1. How to get the dataset
2. Business Problem Description
3. Building an ANN
4. Evaluating, Improving and Tuning the ANN
5. Evaluating the ANN
6. Improving the ANN
7. Tuning the ANN

Convolutional Neural Networks

1. CNN Intuition
2. Plan of attack
3. What are convolutional neural networks?
4. Convolution Operation
5. ReLU Layer
6. Pooling
7. Flattening
8. Full Connection
9. Softmax & Cross-Entropy

Building a CNN

1. How to get the dataset
2. Introduction to CNNs
3. Building a CNN