Visão Geral

Curso PyTorch. Aprenda como implementar modelos estatísticos e de aprendizado de máquina usando PyTorch e como melhorar seu desempenho com base na compreensão dos princípios matemáticos subjacentes.

O Curso PyTorch, foi desenvolvido para demonstrar os conceitos básicos de ciência de dados e aprendizado de máquina.

O Curso PyTorch, começa com uma revisão dos principais conceitos matemáticos usados ​​pelos laboratórios práticos de ciência de dados e aprendizado de máquina neste curso. A seguir, ele examina Jupyter Notebooks para implementar código PyTorch de baixo nível para operações de tensor comumente usadas, como empilhamento, fatiamento, remodelagem e compressão. O curso termina com as melhores práticas e um estudo de caso sobre como construir uma prática madura de ciência de dados e aprendizado de máquina em um projeto ou em uma organização.

Objetivo

Após este curso, você será capaz de:

• Concentre-se na matemática aplicada
• Determine uma abordagem operacional
• Perceber e identificar o aprendizado de máquina

Materiais

Conteúdo Programatico

Getting started with PyTorch 

1. PyTorch Models and Frameworks
2. Distributed Training Support
3. Core Python API

Jupyter Notebooks

Intermediate Machine Learning 

1. Tensors as Data Structures
2. Machine Learning for Data Science
3. Regression vs. Classification Use Cases
4. Reproducibility in Machine Learning

Math Foundations Recap 

1. MSE and Cross-Entropy Loss
2. Troubleshooting Gradient Descent
3. Choosing the Right Regularization
4. Type I and II Errors in Classification

Regression with Structured Data 

1. Reproducible Datasets with Hashing
2. Regression Loss vs. Metric
3. Benchmark Loss and Metric for a Dataset
4. Classification with Structured Data 
5. Deep Neural Network Models
6. Activation Functions

PyTorch APIs 

1. Use Cases Regression and Classification
2. Processing Shared Datasets
3. Fault-Tolerant Distributed Training
4. TensorBoard for Monitoring and Analysis

Classification with Unstructured Image Data 

1. Fashion-MNIST and Flowers Image Datasets
2. Cross-Entropy Loss and Precision, Recall, ROC, AUC Metrics
3. Deep Neural Networks for Image Classification
4. Convolutional Neural Networks for Image Classification
5. Convolutional and Maxpooling Layers

Convolutional Neural Networks 

1. L1, L2, and Dropout Regularization
2. Batch Normalization
3. Data Augmentation
4. Transfer Learning

Advanced PyTorch 

1. Storing / loading models
2. Debugging
3. Torch JIT
4. Hooks for forward / backward custom processing
5. PyTorch & GPU

Feature Engineering 

1. Five Criteria for Effective Features
2. Case Studies and Best Practices
3. Feature Crosses, Quantization, Hot-one Encoding with PyTorch
4. Feature Pre-processing and Engineering in a Machine Learning Pipeline
5. Features for Wide-and-Deep Machine Learning Models

Model and Evaluation 

1. Gradient Descent vs. Alternatives for Training
2. Netflix Prize Model Evaluation Case Study
3. Best Practices for Model Evaluation