Visão Geral

Curso Deep Learning with TensorFlow and Keras, ornece uma visão geral do Deep Learning junto com exercícios práticos usando as populares ferramentas de Deep Learning, Tensorflow e Keras. 

O curso começa com os alunos construindo um perceptron binário e um perceptron multicamada. Em seguida, os alunos irão construir uma rede neural convolucional para realizar a análise e classificação de imagens, bem como a atribuição de imagens. O curso conclui cobrindo redes neurais recorrentes e aprendizagem de transferência.  

Este curso foi desenvolvido para desenvolvedores que desejam entender e usar o Deep Learning. Este curso pode ser personalizado para utilizar PyTorch, H20 ou DeepLearning4j.

Objetivo

Após este Curso Deep Learning with TensorFlow and Keras, você será capaz de:

• Explicar os fundamentos do Deep Learning.
  
• Construir um modelo perceptron binário para classificação e um perceptron multicamada para classificação de imagem.
• Implemente redes neurais convolucionais.
• Utilize modelos pré-treinados.

Publico Alvo

• Desenvolvedores que desejam aprender a trabalhar com algumas das tecnologias de Machine/Deep Learning mais poderosas e bem documentadas.
  

Materiais

Conteúdo Programatico

Introducing Deep Learning as a Tool 

1. Advantages and Disadvantages
2.  Frameworks and Languages
3.  Introducing Tensorflow
4.  ntroducing Keras

Developing a Linear Single-Layer Perceptron for Binary Classification and Regression 

1. Decision Boundaries (Linear / Non-Linear)
2.  Weights / Bias
3.  Gradient Descent Optimization and Backpropagation
4.  Loss Functions (SSE, Cross-Entropy)
5.  Activation Functions (sigmoid, tanh, relu, leaky relu)
6.  Performing Regression Output

Performing Multi-Class Classification 

1. Introducing the Softmax Function
2.  How to Use Softmax Function for Multi-class Classification
3.  Sizing Input and Output layers for Multi-class Classification

Multi-Layer Perceptron Models (MLP) 

1. Hidden Layers and Non-Linear Decision Boundaries
2.  How to Size Multiple Decision Layers
3.  Curse of Dimensionality and Limitation of Feedforward Networks

Using Image Data with MLP 

1. How to Classify Image Data using MLP
2. Limitations of LMP for Image Data
3.  L How to Perform Image Attribution in Deep Learning
4.  Relating Images with Tags
5.  Identifying Elements within Images

Feature Transformations for Image Processing 

1. Using OpenCV to Perform Front-End Image Processing
2.  Edge Detection Processing
3.  Dimensionality Reduction
4.  Image Preprocessing

 CNNs and Image Recognition 

1. Convolutional Layers and Max Pooling Layers
2.  How Convolutional Layers Help Solve the Curse of Dimensionality
3.  Using CNNs to Improve Image Classifier
4.  Lab: CNNs and Image Classification

Transfer Learning 

1. Using Pre-trained Models (inception_v3 and Imagenet5)
2.  Adapting Pre-Trained Models to New Situations by Adding Layers

 Attribution

1. RNNs and LSTMs 
2. How RNNs allow us to Model Dynamic Systems
3.  Feedback Loops and Stability in RNNs
4.  LSTM Architectures and Memory Units
5.  Sequential Learning