Visão Geral

Este Curso Fundamentals of Deep Learning. NVIDIA Deep Learning ensina aos participantes os fundamentos das redes neurais e como treinar modelos de reconhecimento de imagem, prever sequências de texto e classificar objetos. Ao final deste Curso Fundamentals of Deep Learning, os alunos treinarão modelos de aprendizagem profunda do zero com confiança, usando ferramentas e truques para obter resultados altamente precisos.

Objetivo

Após realizar este Curso Fundamentals of Deep Learning você você será capaz de:

• Compreenda as ferramentas e técnicas para um treinamento de rede neural bem-sucedido
• Crie seu primeiro modelo de reconhecimento de imagem
• Acelere o desenvolvimento usando bibliotecas de IA existentes
• Treine redes neurais recorrentes para trabalhar com dados sequenciais
• Classifique objetos e construa sistemas inteligentes
• Aplique novas habilidades a um projeto do mundo real

Pre-Requisitos

• Uma compreensão dos conceitos fundamentais de programação em Python 3, como funções, loops, dicionários e arrays.
• Familiaridade com estruturas de dados Pandas
• Uma compreensão de como calcular uma linha de regressão

Materiais

Conteúdo Programatico

Introduction

The Mechanics of Deep Learning

1. Explore the fundamental mechanics and tools involved in successfully training deep neural networks
2. Train your first computer vision model to learn the process of training
3. Introduce convolutional neural networks to improve accuracy of predictions in vision applications
4. Apply data augmentation to enhance a dataset and improve model generalization

Pre-trained Models and Recurrent Networks

1. Leverage pre-trained models to solve deep learning challenges quickly. Train recurrent neural networks on sequential data
2. Integrate a pre-trained image classification model to create an automatic doggy door
3. Leverage transfer learning to create a personalized doggy door that only lets in your dog
4. Train a model to autocomplete text based on New York Times headlines

Final Project: Object Classification

1. Apply computer vision to create a model that distinguishes between fresh and rotten fruit
2. Create and train a model that interprets color images
3. Build a data generator to make the most out of small datasets
4. Improve training speed by combining transfer learning and feature extraction
5. Discuss advanced neural network architectures and recent areas of research where students can further improve their skills