Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao Deep Learning
- O que é deep learning e como ele difere do machine learning tradicional
- Aplicações do mundo real em visão computacional, PLN (NLP) e além
- Visão geral do ecossistema de deep learning: TensorFlow 2.x, Keras, PyTorch
- Configuração de um ambiente de desenvolvimento acelerado por GPU
A Mecânica do Deep Learning
- Neurônios artificiais, funções de ativação e camadas de rede
- Propagação direta e cálculo de previsões
- Funções de perda para tarefas de classificação e regressão
- Otimização por descida do gradiente e retropropagação (backpropagation)
- Treinamento da sua primeira rede neural no conjunto de dados MNIST
Redes Neurais Convolucionais para Visão Computacional
- Compreensão de convolução, filtros e mapas de características
- Camadas de pooling e redução de dimensionalidade
- Arquiteturas de CNN: conceitos das LeNet, VGG e ResNet
- Criação e treinamento de uma CNN para classificação de imagens
- Visualização de características aprendidas e ativações intermediárias
Aumento de Dados e Melhoria da Precisão do Modelo
- Por que o aumento de dados combate o overfitting e melhora a generalização
- Transformações de imagens: rotação, espelhamento, zoom e corte
- Implementação de pipelines de aumento com camadas de pré-processamento do Keras
- Dropout, normalização em batch e outras técnicas de regularização
- Monitoramento do treinamento com métricas de validação e early stopping
Aprendizado por Transferência com Modelos Pré-Treinados
- Compreensão do aprendizado por transferência e por que ele funciona
- Carregamento de modelos pré-treinados da biblioteca Keras Applications (ResNet, EfficientNet, MobileNet)
- Extração de características: congelamento das camadas base e treinamento de novos classificadores
- Ajuste fino (fine-tuning): descongelamento seletivo de camadas para adaptação de domínio
- Alta precisão com poucos dados de treinamento
Redes Recorrentes e Modelagem de Sequências
- Introdução a dados sequenciais e dependências temporais
- Redes neurais recorrentes (RNNs) e o problema do gradiente que desaparece (vanishing gradient)
- Células LSTM e GRU para dependências de longo alcance
- Treinamento de um modelo de geração de texto em nível de caracteres
- Word embeddings e a camada Embedding no Keras
Fundamentos do Processamento de Linguagem Natural
- Pré-processamento de texto: tokenização, padding e construção de vocabulário
- Criação de um classificador de texto com RNNs e LSTMs
- Conceitos de modelos sequência-a-sequência para tradução automática
- Mecanismos de atenção e seu papel no PLN moderno
- PLN prático com as APIs de processamento de texto do TensorFlow 2.x
Projeto Final: Legendamento de Imagens
- Combinação de visão computacional e PLN em uma arquitetura multimodal
- Extração de características de imagem com um codificador CNN pré-treinado
- Criação de um decodificador baseado em LSTM para geração de legendas
- Gestão de múltiplas camadas de entrada na API funcional do Keras
- Treinamento e avaliação do pipeline completo de legendagem
Próximos Passos e Recursos
- Implantação de modelos treinados com TensorFlow Serving
- Exploração de arquiteturas transformer e modelos de linguagem grandes (LLMs)
- Workshops avançados da NVIDIA DLI e caminhos de certificação
- Recursos da comunidade, conjuntos de dados e ideias de projetos
Requisitos
- Proficiência básica em programação Python (funções, loops, dicionários, arrays)
- Conhecimento de conceitos de programação como variáveis, condicionais e estruturas de dados
- Não é necessária experiência prévia em deep learning ou machine learning
Público-Alvo
- Desenvolvedores de software e engenheiros que estão migrando para IA e machine learning
- Analistas de dados e cientistas de dados buscando habilidades em deep learning
- Profissionais técnicos que querem compreender e aplicar modelos de redes neurais
- Estudantes e pesquisadores iniciando sua jornada no deep learning
8 Horas
Testemunhos de Clientes (2)
O treinamento foi organizado e bem planejado, e saí dele com conhecimento sistematizado e uma boa visão dos tópicos que estudamos
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curso - Deep Learning with TensorFlow 2
Máquina Traduzida
Gostei muito do final, quando tivemos tempo para brincar com o CHAT GPT. O ambiente não estava configurado da melhor maneira para isso - em vez de uma grande mesa, algumas mesas menores teriam ajudado a formar grupos pequenos e favorecido a brainstorming.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Máquina Traduzida
