Deep Learning de A a Z com PyTorch e Python

A área de Deep Learning (Aprendizagem Profunda) está relacionada a aplicação das redes neurais artificiais na resolução de problemas complexos e que requerem artifícios computacionais avançados. Existem diversas aplicações práticas que já foram construídas utilizando essas técnicas, tais como: carros autônomos, descoberta de novos medicamentos, cura e diagnóstico antecipado de doenças, geração automática de notícias, reconhecimento facial, recomendação de produtos, previsão dos valores de ações na bolsa de valores e até mesmo a geração automática de roteiros de filmes. Nesses exemplos, a técnica base utilizada são as redes neurais artificiais, que procuram "imitar" como o cérebro humano funciona e são consideradas hoje em dia como as mais avançadas no cenário de Machine Learning (Aprendizagem de Máquina).

A área de Deep Learning é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo que o mercado de trabalho dessa área nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado. Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação. E para levar você até essa área, neste curso você terá uma visão teórica e principalmente prática sobre as principais e mais modernas técnicas de Deep Learning utilizando a biblioteca PyTorch o Python.

Este curso apresenta desde os conceitos mais básicos sobre as redes neurais até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas. Para isso, o conteúdo está dividido em sete partes: redes neurais artificiais, redes neurais convolucionais, autoencoders, redes adversariais generativas (GANs), redes neurais recorrentes, transferência de aprendizagem (transfer learning) e transferência de estilos (style transfer). Você aprenderá a teoria básica sobre cada um desses assuntos, bem como implementará exemplos práticos passo a passo aplicado em cenários reais.

Veja abaixo alguns dos projetos que serão desenvolvidos:Classificação se um câncer é maligno ou benigno baseado nos dados do tumorClassificação de tipos de plantasPrevisão do preço de veículos usados baseado nas características do carroPrevisão de quanto um jogo de vídeo game venderáClassificação de imagens de dígitos escritos a mãoClassificação de imagens de gatos e cachorrosClassificação das imagens do Homer e Bart, do desenho dos SimpsonsClassificação de objetos, como por exemplo: aviões, automóveis, pássaros, gatos, veados, cachorros, sapos, cavalos, barcos e caminhõesConstrução de série temporal para previsão dos preços das ações da PetrobrásPrevisão da poluição na China em determinadas horas do diaCompactação (redução de dimensionalidade) de imagensCriação automática de imagens com GANsClassificação de objetos personalizadosCombinação de estilos de imagens: um quadro da Tarlisa de Amaral com uma foto do Mister Bean. Ao final de cada seção prática, você encontra projetos de programação para fortalecer o conteúdo sobre as implementações, todos com as soluções para você comparar com o seu progresso. Este curso é indicado para todos os níveis, ou seja, caso seja seu primeiro contato com Deep Learning, você conta com um apêndice que contém aulas básicas sobre aprendizagem de máquina e redes neurais.