Visão Geral

O Curso PyTorch Fundamentals foi desenvolvido para introduzir profissionais às bases do deep learning usando uma das bibliotecas mais poderosas e populares do mercado: PyTorch, criada pelo Facebook AI Research.
Durante o treinamento, os alunos aprenderão desde os fundamentos de tensores e operações até a construção, treinamento, avaliação e interpretação de modelos de redes neurais.
Ao final, cada participante será capaz de criar modelos práticos e compreensíveis, dominando a base necessária para avançar em visão computacional, NLP, IA generativa e aplicações reais de inteligência artificial.

Objetivo

Após realizar este curso PyTorch Fundamentals, você será capaz de:

• Entender tensores e operações matemáticas no PyTorch
• Construir modelos de deep learning do zero
• Implementar redes neurais simples e eficientes
• Treinar, validar e testar modelos
• Usar GPU para acelerar treinamentos
• Carregar e preprocessar datasets
• Aplicar técnicas de otimização
• Criar seus primeiros projetos práticos de deep learning

Publico Alvo

Este curso é indicado para:

• Desenvolvedores iniciantes em IA e Machine Learning
• Cientistas de dados iniciantes
• Analistas que desejam aprender IA na prática
• Profissionais de TI buscando migração para IA
• Estudantes de computação e tecnologia
• Pesquisadores iniciantes em deep learning

Pre-Requisitos

• Lógica de programação
• Python básico (funções, listas, loops)
• Noções de matemática (vetores, álgebra básica)
• (Se quiser, posso criar uma trilha pré-curso com conteúdos introdutórios para seus alunos)

Materiais

Conteúdo Programatico

Module 1 – Introduction to PyTorch

1. What is PyTorch and why it is used
2. Deep Learning overview
3. CPU vs GPU workflows
4. Installing PyTorch
5. The PyTorch ecosystem: TorchVision, TorchText, TorchAudio

Module 2 – Working with Tensors

1. Creating and manipulating tensors
2. Tensor operations
3. Indexing, slicing, reshaping
4. Broadcasting rules
5. Moving tensors between CPU and GPU
6. Practical tensor exercises

Module 3 – Autograd and Automatic Differentiation

1. Understanding computational graphs
2. Gradient tracking
3. Backpropagation with PyTorch
4. Autograd in practice
5. Disabling gradients for inference

Module 4 – Building Neural Networks with PyTorch

1. Introduction to torch.nn
2. Layers, activation functions, loss functions
3. Understanding forward passes
4. Creating models using nn.Module
5. Working with parameters

Module 5 – Training and Optimization

1. The training loop explained step-by-step
2. Optimizers: SGD, Adam, RMSprop
3. Loss functions for regression and classification
4. Evaluating performance
5. Saving and loading models

Module 6 – Data Handling and Preprocessing

1. Introduction to Dataset and DataLoader
2. Creating custom datasets
3. Using built-in datasets (MNIST, CIFAR)
4. Transformations and preprocessing pipelines
5. Batch processing and shuffling

Module 7 – Building Your First Deep Learning Projects

1. Image classification model using MNIST
2. Binary classification example
3. Overfitting vs underfitting
4. Training best practices
5. Exporting models

Module 8 – Using PyTorch with GPU

1. Checking GPU availability
2. Moving models and tensors to GPU
3. Best practices for CUDA
4. Performance tips

Module 9 – Introduction to Model Evaluation

1. Accuracy, loss, confusion matrix
2. Validation split and test set
3. Logging and debugging training runs
4. Introduction to TensorBoard with PyTorch

Module 10 – Capstone Project

Students build a complete neural network model, including:

1. Dataset preparation
2. Model design and training
3. Evaluation and metrics
4. Saving and loading models
5. Presenting results