Descrição do Curso
A aprendizagem profunda é um campo em rápida evolução, e ter uma compreensão fundamental dos diferentes métodos e técnicas utilizados na aprendizagem profunda pode ser valioso para os profissionais neste espaço. Nestas lições, aprenderá sobre os diferentes métodos de aprendizagem profunda utilizados no domínio, incluindo as Redes Neuronais Convolucionais (CNN) e os Perceptrons Multicamadas (MLP). Também descobrirá os diferentes nomes usados para pesos na aprendizagem profundo e explorará as várias funções de perda que podem ser usadas em uma rede neural, como o erro quadrático médio (MSE), a entropia cruzada categórica esparsa e a entropia cruzada binária.
Em seguida, você explorará os diferentes tipos de camadas usadas nas redes neurais convolucionais (CNNs), como a camada convolucional, a camada de pooling e a camada de nivelamento. Você também aprenderá sobre as diferentes camadas em um Perceptron Multicamada (MLP), que é outro tipo de rede neural comumente usado em aprendizado profundo.
Em seguida, vai aprofundar em Autoencoders, que são um tipo de rede neural usada para aprendizagem não supervisionada. Aprenderá sobre as diferentes camadas de um Autoencoder, incluindo a camada de Codificação e a camada de Decodificação. Também explorará os benefícios de ter uma camada menor num Autoencoder e como isso pode melhorar a eficiência do modelo.
No geral, descobrirá um dos conjuntos de dados populares disponíveis nos conjuntos de dados do TensorFlow e aprenderá sobre as aplicações dos Autoencoders na aprendizagem de características em imagens. Também descobrirá se a camada do Autoencoder deve ser maior e compreenderá o raciocínio por trás disso.
O Que Você Vai Aprender
- Reconheça os diferentes métodos de aprendizado profundo usados na área, incluindo Redes Neurais Convolucionais (CNNs) e Perceptrons Multicamadas (MLPs)
- Descreva os diferentes nomes usados para pesos em aprendizado profundo
- Explique as várias funções de perda usadas em redes neurais, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária
- Identifique os diferentes tipos de camadas usadas em CNNs, incluindo as camadas Convolucional, Pooling e Flatten
- Explore Autoencodificadores para aprendizado não supervisionado, incluindo as camadas de Codificação e Decodificação
- Descubra um conjunto de dados popular do TensorFlow e as aplicações de Autoencodificadores no aprendizado de características em imagens
Principais Conclusões
- O aprendizado profundo usa vários métodos, incluindo Redes Neurais Convolucionais (CNNs) e Perceptrons Multicamadas (MLPs).
- Redes neurais podem usar diferentes funções de perda, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária.
- Redes Neurais Convolucionais são construídas a partir de tipos de camadas incluindo a camada Convolucional, camada Pooling e camada Flatten.
- Autoencodificadores são um tipo de rede neural usado para aprendizado não supervisionado, compostos por uma camada de Codificação e uma camada de Decodificação.
- Uma camada menor em um Autoencodificador pode melhorar a eficiência do modelo e ajuda-o a aprender características em imagens.
Perguntas Frequentes
Para quem é este curso?
É direcionado a profissionais na área de aprendizado profundo que desejam uma compreensão fundamental dos diferentes métodos e técnicas usados na área.
Quais métodos de aprendizado profundo o curso aborda?
Aborda métodos de aprendizado profundo incluindo Redes Neurais Convolucionais (CNNs), Perceptrons Multicamadas (MLPs) e Autoencodificadores.
O que vou aprender sobre funções de perda?
Você explorará as várias funções de perda usadas em uma rede neural, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária.
O que são Autoencodificadores abordados neste curso?
Autoencodificadores são um tipo de rede neural usado para aprendizado não supervisionado; o curso aborda suas camadas de Codificação e Decodificação, os benefícios de ter uma camada menor e suas aplicações no aprendizado de características em imagens.
Quais habilidades este curso desenvolve?
Desenvolve habilidades em TensorFlow, Aprendizado Profundo, Métodos de Aprendizado Profundo, Autoencodificadores, Aprendizado de Características e Conjuntos de Dados de Treinamento.
