Visão Geral

Curso Deep Learning With PyTorch Start. Comece a resolver problemas de Visão Computacional usando técnicas de Deep Learning e a estrutura PyTorch. Mergulhe na arquitetura das redes neurais e aprenda como treiná-las e implantá-las na nuvem.

Embarque em uma jornada esclarecedora no reino do aprendizado profundo com PyTorch por meio de Curso Deep Learning With PyTorch Start. Este Curso meticulosamente elaborado começa com a etapa fundamental de instalação do PyTorch, seguida pela elucidação de operações matemáticas cruciais para cálculos complexos. À medida que avançamos mais fundo, os participantes ganharão experiência prática no projeto e implementação de redes neurais, a espinha dorsal de qualquer algoritmo de aprendizagem profunda.

O Curso Deep Learning With PyTorch Start, transcende o básico, pois envolve os alunos em módulos avançados, como reconhecimento de imagens por meio de Redes Neurais Convolucionais (CNNs) e processamento de dados sequenciais usando Redes Neurais Recorrentes (RNNs). Com uma mistura de conhecimento teórico e sessões práticas, este curso promete equipá-lo com as competências necessárias para aproveitar todo o potencial do PyTorch em empreendimentos de aprendizagem profunda.

Publico Alvo

• Engenheiro de aprendizado de máquina
• Cientista de Dados
• Pesquisador de aprendizagem profunda
• Desenvolvedor de IA
• Projetista de Redes Neurais
• Engenheiro de Visão Computacional
• Engenheiro de PNL (ramificando para aprendizado profundo)
• Gerente de Produto de IA (compreensão técnica)
• Engenheiro de Robótica (com componentes de IA)
• Cientista de Bioinformática (aplicações de aprendizagem profunda)
• Especialista em imagens médicas (focado em IA)
• Desenvolvedor de jogos (recursos baseados em IA)
• Especialista em Análise Preditiva
• Educador ou instrutor de IA/ML
• Desenvolvedor de Sistemas Autônomos.

Pre-Requisitos

• Python básico

Materiais

Conteúdo Programatico

Getting Started with PyTorch

1. Introduction to Artificial Intelligence
2. NumPy Refresher
3. Introduction to PyTorch
4. What is inside an ML algorithm?

Neural Networks Basics

1. Neural Network Building Blocks
2. Loss Functions for Classification & Regression
3. Understanding the PyTorch NN module
4. Image Classification using Multilayer Perceptron

Convolutional Neural Networks

1. The Convolution operation
2. CNN building blocks and Layers
3. Implement CNNs using PyTorch
4. Evaluation of Classification Performance

Introduction to Torchvision

1. Torchvision Datasets
2. Torchvision Transforms
3. Important CNN Models
4. Data Augmentation in Torchvision

Deep Neural Networks

1. Optimizers in PyTorch
2. Learning Rate Decay methods
3. Training Deep Neural Networks
4. Regularization methods in Deep Learning

Best Practices in Deep Learning

1. Troubleshooting training with TensorBoard
2. Leverage pre-trained models
3. How to structure your project for scale
4. Custom Data Loaders

Object Detection

1. Introduction to Object Detection
2. Object Detection building blocks
3. Evaluation Metrics in Object Detection like mAP
4. Two-Stage Object Detectors like Faster RCNN

Single Stage Object Detectors

1. You Only Look Once (YOLO)
2. Single Stage Multibox Detector (SSD)
3. Detectron 2 based Object Detection
4. How to write a custom Object Detector from scratch

Image Segmentation Basics

1. Semantic Segmentation building blocks 
2. Dilated Convolution and Transposed Convolution
3. Semantic and Instance Segmentation
4. Evaluation metrics for Semantic Segmentation

Image Segmentation Models

1. Fully Convolutional Network (FCN)
2. U-Net
3. DeepLab
4. Mask-RCNN

Pose Estimation

1. Pose Estimation using DensePose
2. Pose Estimation using YOLO Pose models
3. Create your own Gym Trainer

Generative Adversarial Networks (GANS)

1. Introduction to GANs
2. Vanilla GAN using Fashion MNIST
3. DCGAN using Flickr Faces
4. CGAN using Fashion MNIST