A área mais proeminente da Inteligência Artificial
- Conhecimento que se transforma em proficiência
- Explicações teóricas mais didáticas que você poderia encontrar
- Todos os códigos de programação são bem esclarecidos
- Conteúdos cuidadosamente organizados
- Sem enrolação, direto ao ponto!
- É possível controlar a velocidade de reprodução de cada um dos vídeos, acelerando ou diminuindo conforme sua necessidade
- Suporte a dúvidas
- Acesso vitalício
- Certificado de conclusão
CONTEÚDO DAS AULAS
Redes Neurais e Deep Learning com Keras
1) História das redes neurais artificiais
2) A inspiração no neurônio biológico e a modelagem matemática
3) Introdução a Redes neurais e deep learning
4) Redes neurais: matemática
5) Gradiente descendente estocástico (SGD)
6) Função de ativação ReLu
7) O que são Frameworks
8) Instalando o framework Keras
9) Preparando um dataset para a rede neural (com Keras)
10) Criando e treinando a rede neural (com Keras)
11) Realizando previsões com a rede neural (com Keras)
12) Preparando imagens de dígitos numéricos para a rede neural (com Keras)
13) Treinando a rede neural com imagens (com Keras)
14) Avaliando gráficos de performance da rede neural (com Keras)
15) Vanishing/exploding gradient
16) Técnicas de Regularização L1 e L2
17) Técnica de regularização Dropout
18) Função de custo cross-entropy
20) Função de ativação Softmax
21) SGD com Momentum & Nesterov momentum
22) O otimizador RMSprop
23) O otimizador Adam
24) O otimizador Amsgrad
25) Os otimizadores Adamax, Nadam e Adagrad
26) O otimizador Adadelta
27) Exemplo mais completo de rede neural em problema de classificação com Keras
28) Apresentação do exercício mais completo de classificação com Keras
29) Solução do exercício mais completo de classificação com Keras
30) Redes neurais para problemas de regressão
31) Exemplo completo de rede neural para problema de regressão com Keras
32) Apresentação do exercício completo de regressão com Keras
33) Solução do exercício completo de regressão com Keras
34) Redes neurais x Deep learning
Redes Neurais e Deep Learning com TensorFlow
35) O que é TensorFlow
36) Primeiro código com TensorFlow
37) Introdução a grafos no TensorFlow
38) O que são tensores
39) Multiplicando matrizes no TensorFlow
40) Variáveis no TensorFlow
41) Placeholders no TensorFlow
42) Introdução ao TensorBoard
43) Rede neural completa em problema de classificação com TensorFlow
44) Utilizando Dropout no TensorFlow
45) Aplicando Regularização L2 no TensorFlow
46) Apresentação do exercício de classificação com TensorFlow
47) Solução do exercício de classificação com TensorFlow
48) A importância da inicialização dos pesos e bias de uma rede neural
49) Apresentação do exercício de regressão com TensorFlow
50) Solução do exercício de regressão com TensorFlow
51) Criando gráficos para visualizar o treinamento
52) Visualizando a rede neural no Tensorboard
Processamento Paralelo
53) Introdução a processamento paralelo
54) Diferenças entre CPU x GPU
55) Quando uma GPU é necessária em deep learning
56) Como escolher uma GPU
57) Como utilizar GPUs com Keras
58) Como utilizar GPUs com Tensorflow
59) Análise de Performance Keras vs Tensorflow
Redes Neurais Convolucionais (CNNs)
60) Introdução a CNNs (Convolutional Neural Networks)
61) CNNs (Teoria)
62) Pooling layers
63) Estrutura completa de uma CNN simples
64) CNNs com múltiplas camadas profundas
65) Compreendendo a conexão do 2º layer e seu filtro
66) A técnica de Padding
67) Calculando os Parâmetros e dimensões de uma CNN
68) Criando uma CNN com Keras para reconhecimento de dígitos
69) Criando uma CNN com TensorFlow para reconhecimento de dígitos
70) Criando uma CNN para reconhecimento de imagens do dataset CIFAR10
71) Utilizando a técnica de Data Augmentation
72) Conhecendo as Arquiteturas LeNet, AlexNet, VGG16
Visão Computacional
73) O que é visão computacional e processamento de imagens
74) Bibliotecas para processamento de imagens
75) Instalando OpenCV e Pillow
76) Abrindo uma imagem com o OpenCV
77) Salvando uma cópia da imagem
78) Separando os 3 canais de cores da imagem
79) Convertendo uma imagem para escala de cinza
80) Manipulando um pixel específico
81) Manipulando vários pixels da imagem
82) Desenhando formas com o OpenCV
83) Desenhando em cima de uma imagem
84) Escrevendo em uma imagem
85) Rotacionando uma imagem
86) Deslocando uma imagem
87) Redimensionando uma imagem
88) Invertendo uma imagem
89) Realizando operações aritméticas com imagens
90) Realizando operações lógicas com imagens
91) Criando máscaras para imagens
92) Criando histogramas de imagens
93) Filtrando uma imagem
94) Aplicando operações morfológicas em imagens (erosão, dilatação, opening, closing, gradient)
95) O que é gradiente de imagem (Teoria)
96) Método Canny para detecção de bordas (Teoria)
97) Detectando bordas de imagens com Canny Edge Detector no OpenCV
98) Conhecendo a biblioteca Pillow
99) Resolvendo Captcha usando Redes Neurais Convolucionais
100) Reconhecimento de objetos e o problema da escala
101) Diferentes algoritmos para reconhecimento de objetos
102) A evolução dos algoritmos R-CNN, Fast R-CNN e Faster R-CNN
103) Faster R-CNN e ROI pooling (Teoria)
104) Non-Maximum Suppression (NMS) e Intersection over Union (IoU)
105) Classes, métodos e instâncias em Python
106) Transfer Learning
107) Criando ambiente virtual e instalando dependências
108) Treinando o algoritmo Mask Faster R-CNN para reconhecer objetos
109) Avaliando a performance de reconhecimento de objetos com Mask Faster R-CNN
110) Visualizando as localizações de objetos feitas pelo modelo treinado Mask Faster R-CNN
111) Treinando Mask Faster R-CNN a partir de um dataset criado manualmente
112) Visualizando as localizações de objetos e segmentações de instância feitas pelo Mask Faster R-CNN
113) Utilizando um modelo treinado de Mask Faster R-CNN para reconhecer 80 classes de objetos
114) O algoritmo YOLO (Teoria)
115) Utilizando um modelo treinado de YOLO para reconhecer 80 classes de objetos
116) Reconhecimento facial com Haar Cascade – Viola & Jones (Teoria)
117) Aplicando Haar Cascade para reconhecer faces
118) Style Transfer (teoria)
119) Eager Execution no TensorFlow
120) Construindo um algoritmo de Style Transfer
Testando seus conhecimentos
EXERCÍCIOS TEÓRICOS
EXERCÍCIOS PRÁTICOS
Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Confira abaixo alguns exemplos de aplicações que você irá aprender:
Você irá trabalhar com Python, Keras e TensorFlow
O QUE OS ALUNOS ESTÃO DIZENDO?
Esses são apenas alguns comentários, você pode conferir mais comentários nessa página.
Pré-requisitos:
Quem já concluiu o Módulo 1 e o Módulo 2 possui todos os pré-requisitos necessários para a realização desse curso.
Para aqueles que não realizaram os Módulos I e II, os pré-requisitos mínimos para aproveitar ao máximo esse curso são: conhecimentos em Python para Machine Learning; conhecimentos básicos do Processo de Machine Learning: Treinamento – Previsão – Validação; Regressão Linear; Regressão Logística.
Aproveite essa promoção especial!
Cursos de Machine Learning e Deep Learning com aulas práticas costumam custar acima de R$ 1.000,00. Porém nesse momento você ainda pode ter acesso a esse módulo III com o material de Inteligência Artificial mais didático do mercado por apenas R$ 395,00. Ainda pode parcelar em até 12x de R$ 38,48.
O módulo 4 já está disponível e expande ainda mais o assunto de Deep Learning, abordando Redes Neurais Recorrentes (RNNs), LSTMs, Séries Temporais, Processamento de Linguagem Natural, GANs, Aprendizado por Reforço, Algoritmos Genéticos, entre outros. Ao adquirir mais de um módulo, você tem direito a descontos especiais!
Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!
OPÇÃO COMBO:
Quer ainda mais vantagem? Tenha acesso a todos os módulos I, II, III e IV juntos com 50% OFF! Por apenas R$ 695,00 (ou até 12x de R$ 67,71) no botão abaixo:
Experimente: se você não ficar totalmente satisfeito, pode solicitar o reembolso dentro do prazo de 7 dias.