Visão Geral

Curso Neural Networks and Deep Learning Foundation. Você não precisa de uma vasta experiência em matemática para entender a rede neural. Em etapas compreensíveis, este curso constrói desde uma rede neural de um nó até redes neurais de múltiplos recursos e múltiplas saídas. Todas as etapas são explicadas usando código funcional para resolver problemas. Após uma compreensão de como as redes neurais funcionam e dos parâmetros que controlam os sistemas de aprendizagem profunda, Keras é apresentado e usado para simplificar a construção de redes neurais de aprendizagem profunda. Uma rede neural convolucional de aprendizado profundo é construída usando Keras para mostrar como o aprendizado profundo é usado em redes neurais especializadas. Este Curso Neural Networks and Deep Learning Foundation, fornece a base necessária para compreender os cursos de Análise de Série Temporal e Processamento de Linguagem Natural

Objetivo

Após realizar este Curso Neural Networks and Deep Learning Foundation, você será capaz de:

• Entenda o contexto das redes neurais e do aprendizado profundo
• Saiba como usar uma rede neural
• Entenda as necessidades de dados do aprendizado profundo
• Ter um conhecimento prático de redes neurais e aprendizado profundo
• Explore os parâmetros para redes neurais

Publico Alvo

• Qualquer pessoa que queira entender Rede Neural e Aprendizado Profundo.

Pre-Requisitos

A familiaridade com a execução de programas a partir da linha de comando é útil, mas não necessária. Compreender o conceito de função é útil, mas não necessário. NOTA: Os desenvolvedores do curso, tendo trabalhado com a matemática, acreditam fortemente que o uso dos modelos não requer compreensão da matemática usada para implementar o modelo.

Materiais

Conteúdo Programatico

The Simplest Possible Neural Network

1. What Is Machine Learning?
2. What Is a Neural Network?
3. Building the Simplest Neural Network in Simple Python
4. Multiple Input
5. Multiple Outputs
6. Use NumPy to Build Neural Networks

Updating Weights in Simplest Neural Network

1. Simple Error Analysis
2. Working with 1 Attributes
3. Small Steps
4. Extending Simplest Neural Network to Multiple Inputs
5. Extending to Multiple Outputs
6. Combining Multiple Input and Outputs

Extending to Complete Data Sets

1. Error vs. Cost
2. Extending Neural Network to Use Multiple Samples
3. Goodness of Fit Parameters

Understanding Back Propagation

1. Review of NumPy Arrays
2. Introduction to Stacked Arrays
3. Extending
4. Backpropagation
5. Coding Examples

Multiple Layers and Back Propagation

1. Introduction to Deep Learning
2. Forward Propagation
3. Back Propagation
4. Working Example

Parameters Affecting Deep Learning

1. Normalization
2. Data Size
3. Regularization
4. Weight Initialization
5. Working Though Coding Changes

Introduction of Keras

1. Why Keras?
2. Introduction to Linear Keras
3. Working Examples

Using DL for Vision – Convolution Neural Networks

1. The Problems of Pictures
2. A Solution
3. Implementing Solution in Keras
4. What You Really Need to Know If You Use Keras