Visão Geral
Curso TensorFlow An open source Machine Learning. TensorFlow é um arranjo de código aberto completo para IA. Este Curso TensorFlow An open source Machine Learning, tem um conjunto abrangente e versátil de dispositivos, bibliotecas e recursos de sistema que permitem aos pesquisadores avançar na linha de frente em ML e os criadores desenvolverem e transmitirem adequadamente aplicativos energizados por ML. O TensorFlow foi inicialmente criado por especialistas e criadores que trabalham no grupo Google Brain dentro do relacionamento de pesquisa de inteligência de máquina do Google para liderar a exploração de IA e estruturas neurais significativas. O sistema também é suficientemente amplo para ser material em uma ampla coleção de vários espaços.
O TensorFlow fornece APIs Python e C++ estáveis, da mesma forma que uma API ideal retroativa não garantida para vários idiomas.
Este é um Curso TensorFlow An open source Machine Learning, em Inteligência Artificial que é uma abordagem de aprendizagem abrangente para dominar os domínios de Inteligência Artificial, Ciência de Dados, Business Analytics, Business Intelligence, codificação Python e Deep Learning. Este programa de treinamento permite que você assuma funções desafiadoras no domínio da Inteligência Artificial.
O Curso TensorFlow An open source Machine Learning, prepararão os alunos para a indústria para cargos de Inteligência Artificial e Ciência de Dados. Após a conclusão deste Programa de Engenheiro de IA, você receberá o certificado de nossa parte nos cursos de Inteligência Artificial no caminho de aprendizagem *. Este certificado atestará suas habilidades como especialista em Inteligência Artificial.
Agenda do Curso TensorFlow An open source Machine Learning:
- Introdução de Inteligência Artificial
- Ciência de dados e Python
- Aprendizado de máquina
- Aprendizado profundo
- Processamento de linguagem natural (PNL)
- Decodificando Inteligência Artificial
- Fundamentos de aprendizado de máquina e aprendizado profundo
- Fluxo de trabalho de aprendizado de máquina
- Métricas de desempenho
Conteúdo Programatico
Introduction
- Introduction to TensorFlow
- Architecture of Tensorflow
- Installation on Local Machine
- Using TensorFlow in Google Colab
- Working with Tensors and Operations
- Keras Low level api
- Labs:-
- 1. Installing tensorflow on local machine 2. Working with google colab
Introduction to Artificial Neural Networks
- a. From Biological to Artificial Neurons
- b. Different activation functions
- c. What is perceptron?
- d. Multilayer perceptron and back propagation
- e. Working with sequential api
- f. Working with the functional api
- g. Using callbacks
- h. Tensorboard for visualization
- i. Labs:-
- 1. Classification on iris dataset using perceptron model
- 2. Image classification on fashion MNIST dataset using sequential and functional API
- 3. Improving the model using callbacks
Training Deep Neural Nets
- a. Challenges of Deep Neural Networks’
- b. Vanishing and Exploding gradients
- c. Glorot and He Initialization
- d. Non Saturating Activation Functions
- e. Different activation functions effect on deep neural nets
- f. Batch normalization
- g. Reusing the pre-trained layers in Neural nets
- h. Faster optimizers
- i. L1 and L2 regularization
- j. Dropouts and their purposes
- k. Labs:- 1. Classification of MNIST dataset and performance of models by the use of
- different activation functions.
- 2. Classification by using a pre-trained layer of model to reduce the computation time.
- 3. Reducing the overfitting through the use of regularization in various models.
Loading and preprocessing the data
- a. The data api
- b. Chaining transformations
- c. Pre-processing the data
- d. TFR record format and compressed files
- e. Introduction to protocol buffer
- f. Processing the Input features
- g. TF transform
- h. Tensorflow datasets project
- i. Labs:- 1. Implementation of basic functions like repeat, batch, shuffle required for
- preprocessing.
- 2. Implement interleave() so as to read many files at a time using tensorflow for improving
- the performance.
- 3. Storing and accessing the files stored in tfrecord format for better processing.
Computer Vision using CNN
- a. Inspiration to the CNN
- b. Architecture of CNN
- c. Convolution layers in CNN
- d. Filters in CNN
- e. Pooling layer in CNN
- f. Depth pooling in CNN
- g. Different architectures of CNN
- h. Labs:- 1. Implementing different filters to find the different patterns from the image.
- 2. Progressively reduce the spatial size of an image.
- 3. Classifying the fashion MNIST dataset by using CNN.
Processing Sequences using RNN
- a. Single neuron RNN
- b. Working with RNN neural network
- c. Input and Output Sequences in RNN
- d. Introduction to Deep RNN
- e. Forecasting using RNN
- f. Unstable gradient problem
- g. Architecture of LSTM
- h. Architecture of GRU
- i. Labs:- 1. Forecasting using simple RNN, Deep RNN, LSTM and GRU
Natural Language Processing
- a. Introduction to Natural Language processing
- b. Shakespear text generation using char RNN
- c. Stateless and stateful RNN
- d. Concept of sentiment analysis
- e. Encoder and Decoder Network for Neural Machine Translation
- f. Pre-processing required for encoder and decoder
- g. Concept of Beam Search
- h. Overview of attention mechanism
- i. Labs:- 1. Generating Shakespearean text using character RNN, Bidirectional RNN.
- 2. Sentiment analysis of IMDB dataset.
Representative Learning and Generative Learning using Autoencoders and GANs
- a. Introduction to Autoencoders and GAN
- b. Efficient data representation
- c. Dimensionality reduction using autoencoders
- d. Introduction to stacked autoencoders
- e. Training one autoencoder at a time
- f. Recurrent autoencoders
- g. Sparse autoencoders
- h. Generative adversarial networks
- i. Deep Convolutional GANs
- j. Labs:- 1. Autoencoder for the dimensionality reduction
- 2. Reconstruction of images using recurrent auto encoder
Reinforcemnent Learning
- a. Introduction to reinforcement learning
- b. Learning to optimize rewards
- c. Policy Search
- d. Introduction to OpenAI Gym
- e. Neural Network Policies
- f. Credit Assignment Problem
- g. Markov Decision Process
- h. Q Learning
- i. Deep Q Learning
- j. Labs:- 1. Train a Deep Q network with TF agent(Cartpole Environment)