Visão Geral

O Curso Deep Learning with PyTorch, ensinará como desenvolver modelos de aprendizado profundo usando Pytorch. O curso começará com tensores e pacote de diferenciação automática do Pytorch. Em seguida, cada seção cobrirá diferentes modelos, começando com fundamentos como regressão linear e regressão logística/softmax. Seguido por redes neurais profundas Feedforward, o papel de diferentes funções de ativação, normalização e camadas de abandono. Em seguida, serão abordadas redes neurais convolucionais e aprendizagem por transferência.

Neste curso voce tambem vai aprender Modelagem Preditiva ensinará você a usar o Pytorch para desenvolver modelo de aprendizado de máquina para regressão e classificação. Também ensinará como visualizar os dados e o modelo usando o Tensorboard.

Dados sequenciais são a forma de dados mais prevalente, como texto, fala, música, sequência de DNA, vídeo, desenho. A análise de dados sequenciais é um dos principais objetivos do aprendizado de máquina, como classificação de documentos, previsão de séries temporais, análise sentimental e tradução de idiomas. Modelos Seq2seq foram usados ​​para processar dados sequenciais. O modelo Seq2seq transformou o estado da arte em tradução automática neural e, mais recentemente, em síntese de fala. No curso de treinamento PyTorch - Modelagem de Dados Sequenciais , ensinaremos modelagem Seq2seq com Pytorch.

Os modelos generativos estão ganhando muita popularidade recentemente entre os cientistas de dados, principalmente porque facilitam a construção de sistemas de IA que consomem dados brutos de uma fonte e constroem automaticamente uma compreensão deles. Ao contrário dos métodos de aprendizagem supervisionada, os modelos generativos não requerem dados rotulados. Pytorch é um dos Deep Learning mais versáteis para implementar modelos generativos. No curso de treinamento PyTorch - Modelos Generativos , você aprenderá a usar o Pytorch para modelos generativos.

O Deep Reinforcement Learning é um tipo de aprendizado de máquina que permite que máquinas e agentes de software atuem de forma inteligente e detectem automaticamente o comportamento ideal dentro de um ambiente específico, a fim de maximizar seu desempenho e produtividade. O Aprendizado por Reforço está se tornando popular porque não serve apenas como uma forma de estudar como máquinas e agentes de software aprendem a agir, mas também é usado como uma ferramenta para construir sistemas autônomos que se aprimoram com a experiência. Pytorch é um dos Deep Learning mais versáteis para implementar o aprendizado por reforço profundo. No curso de treinamento PyTorch - Deep Reinforcement , você aprenderá a usar o Pytorch para aprendizado por reforço.

Objetivo

Ao participar do Curso Deep Learning with PyTorch, os participantes aprenderão:

• Instalando o Pytorch
• Operações matemáticas com Pytorch
• Redes Neurais com Pytorch
• Aprendizado profundo com Pytorch
• Reconhecimento de imagem com rede neural convolucional (CNN)
• Rede Neural Recorrente de Processamento Sequencial de Dados (RNN)

PyTorch - Modelagem Preditiva , os participantes aprenderão a:

• Entenda os princípios do aprendizado de máquina para avaliar insights de negócios
• Agregue dados para ajudar a testar problemas usando Pytorch
• Aplicar técnicas preditivas de modelagem de dados para identificar tendências subjacentes e encontrar insights relevantes a partir dos dados
• Desenvolva um modelo de classificação de protótipo usando técnicas de aprendizado de máquina para obter novos insights dos dados.
• Identifique padrões usando o modelo de rede neural convolucional para obter insights e tomar decisões
• Use a ferramenta de visualização de dados Tensorboard para criar visualizações interativas de dados

PyTorch - Modelagem Sequencial de Dados , os participantes aprenderão a:

• Recapitulação de RNN e LSTM
• Convolução 1D
• Modelo de sequência de sequência 2 em Pytorch
• Mecanismo de Atenção
• Tradução automática neutra

PyTorch - Modelos Gerativos , os participantes aprenderão:

• Transferência Neural Usando Pytorch
• DCGAN
• Transferência de estilo com GAN

PyTorch - Deep Reinforcement , os participantes aprenderão a:

• Compreenda os conceitos fundamentais de Valores Q e Tabelas Q
• Aprendizagem do Código Q e SARSA
• Use o OpenAI Gym
• Rede Deep Q de código
• Gradiente de política de código

Publico Alvo

• Cientistas de Dados
• Analistas de dados
• Engenheiros
• Desenvolvedores de IA
• Engenheiros de Inteligência Artificial

Pre-Requisitos

• Python básico
• Aprendizado de máquina básico
• Pytorch Básico

Materiais

Conteúdo Programatico

Overview of Deep Learning and Pytorch

1. Overview of Deep Learning
2. Introduction to Pytorch
3. Install and Run Pytorch

Basic Pytorch Operations

1. Pytorch Tensors
2. Basic Pytorch Tensor Operations
3. Compute Gradients with Autograd

Datasets

1. MNIST Handwritten Digits and Fashion Datasets
2. CIFAR Image Dataset

Neural Network for Regression

1. Introduction to Neural Network (NN)
2. Activation Function
3. Loss Function and Optimizer
4. Machine Learning Methodology
5. Build a NN Predictive Regression Model
6. Load and Save Model

Neural Network for Classification

1. Softmax
2. Cross Entropy Loss Function
3. Build a NN Classification Model

Convolutional Neural Network (CNN)

1. Introduction to Convolutional Neural Network (CNN)
2. Convolution & Pooling
3. Build a CNN Model for Image Recognition

Recurrent Neural Network (RNN)

1. What is RNN?
2. RNN Architecture
3. Long Term Dependencies
4. LSTM and GRU

Transfer Learning

1. Introduction to Transfer Learning
2. Pre-trained Models
3. Transfer Learning for Feature Extraction & Fine Tuning

Overview of Deep Learning and Pytorch

1. Overview of Deep Learning
2. Introduction to Pytorch
3. Install and Run Pytorch
4. Basic Pytorch Tensor Operations
5. Computation Graphs
6. Compute Gradients with Autograd

Neural Network for Regression

1. Introduction to Neural Network (NN)
2. Activation Function
3. Loss Function and Optimizer
4. Machine Learning Methodology
5. Build a NN Predictive Regression Model
6. Load and Save Model

Neural Network for Classification

1. Softmax
2. Cross Entropy Loss Function
3. Build a NN Classification Model

Convolutional Neural Network for Pattern Recognition

1. Introduction to Convolutional Neural Network (CNN)
2. Convolution & Pooling
3. Build a CNN Model for Pattern Recognition

Data Visualization with Tensorboard

1. Set up TensorBoard
2. Inspect a model architecture using TensorBoard
3. Create interactive Visualizations

Word Embedding

1. One Hot Encoding of Words
2. Word Embedding
3. Using Pre-Training Word Embedding

Review on RNN and LSTM

1. Recurrent Neural Network (RNN)
2. Long Short Term Memory (LSTM) and GRU
3. Stacked RNN
4. Bidirectional RNN

1D Convolution

1. 1D Convolution on Sequential Data
2. Combiniing 1D Convolution and RNN for long sequence

Sequence To Sequence Model in Pytorch

1. What is Seq2Seq Model
2. Encoder and Decoder
3. Seq2Seq

Neural Machine Translation (Optional)

1. Attention Mechanism
2. Neural Machine Translation with Seq2Seq and Attention

Overview of Generative Models

1. What is Generative Models
2. Application of Generative Models
3. Types of Generative Models
4. Online Generative Model Demo with Sketch-RNN
5. Installing Google Colab

DeepDream

1. Recap on Convolutional Neural Networks (CNN)
2. Recap on Transfer Learning
3. What is DeepDream?
4. DeepDream Applications
5. DeepDream Implementation

Neural Style Transfer

1. What is Neural Style Transfer?
2. Neural Style Transfer Applications
3. Neural Style Transfer Implementation

Variational Autoencoder (VAE)

1. What is Autoencoder
2. Variational Autoencoder (VAE)
3. VAE Implementation

Generative Adversarial Networks (GAN)

1. What is GAN?
2. GAN Applications
3. Basic DCGAN Architecture
4. DCGAN Implementation
5. GAN Challenges and Tricks

Text Generation (Optional)

1. Recap on Recurrent Neural Networks (RNN)
2. Recap on Long Short Term Memory (LSTM)
3. Char by Char Text Generation with LSTM

Introduction to Reinforcement Learning

1. What is Reinforcement Learning (RL)
2. Applications of RL
3. Basic Concepts of RL
4. RL Methods
5. Key RL Algorithms

Q Learning

1. Q Value and Q-Table
2. Q-Learning and Bellman Equation
3. Q-Learning Algorithm
4. Epsilon Greedy Explore-Exploit Strategy
5. Implementation of Q-Learning in Python
6. Max Q-Value Policy

SARSA

1. On-Policy vs Off-Policy Learning
2. What is SARSA?
3. SARSA Value Update
4. Sarsa Algorithm
5. Implementation of SARSA in Python

OpenAI Gym

1. What is OpenAI Gym
2. Install OpenAI Gym
3. OpenAI Gym Operations
4. Q-Learning on OpenAI Gym
5. SARSA on OpenAI Gym

Deep Q-Network (DQN)

1. Why Deep Q-Learning?
2. Challenges of Implementing Deep Q-Learning
3. Target Network & Experience Replay
4. What is Deep Q Network (DQN)?
5. DQN Algorithm
6. Implementing DQN on OpenAI Gym with Keras

Policy Gradient

1. Limitation of DQN
2. Policy Based Methods
3. Policy Gradient Theorem
4. REINFORCE Algorithm
5. Implementing PG on OpenAI Gym with Keras