Visão Geral

Este curso de treinamento PyTorch foi desenvolvido para alunos familiarizados com os fundamentos da ciência de dados e aprendizado de máquina que desejam aprender como usar a biblioteca PyTorch do Facebook para aprendizado profundo e aplicativos baseados em redes neurais. PyTorch é uma plataforma de aprendizagem profunda de código aberto que fornece um caminho contínuo desde a prototipagem de pesquisa até a implantação de produção. Está rapidamente se tornando uma das estruturas de aprendizado profundo mais populares para Python. A integração profunda com Python permite que bibliotecas e pacotes populares sejam usados ​​para escrever facilmente camadas de redes neurais em Python. Um rico ecossistema de ferramentas e bibliotecas estende o PyTorch e oferece suporte ao desenvolvimento em visão computacional, PNL e muito mais.

Publico Alvo

• Engenheiro de aprendizado de máquina
• Cientista de Dados
• Pesquisador de aprendizagem profunda
• Desenvolvedor de IA
• Projetista de Redes Neurais
• Engenheiro de Visão Computacional
• Engenheiro de PNL (ramificando para aprendizado profundo)
• Gerente de Produto de IA (compreensão técnica)
• Engenheiro de Robótica (com componentes de IA)
• Cientista de Bioinformática (aplicações de aprendizagem profunda)
• Especialista em imagens médicas (focado em IA)
• Desenvolvedor de jogos (recursos baseados em IA)
• Especialista em Análise Preditiva
• Educador ou instrutor de IA/ML
• Desenvolvedor de Sistemas Autônomos.

Materiais

Conteúdo Programatico

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 (CNN)

1. Overview of CNN
2. Convolution, Max Pooling and Padding
3. Build a CNN Model for Image Classificaiton
4. Overfitting Issue with Small Dataset
5. Techniques to overcome Overfitting Issue

Topic 5 Transfer Learning

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

Recurrent Neural Network (RNN)

1. Overview of RNN
2. Long Term Dependencies
3. LSTM and GRU
4. Apply LSTM to Time Series Forecasting