Aprenda Deep Learning na prática e construa modelos de IA funcionais.
O objetivo deste módulo é introduzir o tema central da trilha, que é a IA Aplicada através do Aprendizado Profundo (Deep Learning), trazendo a estrutura principal que forma o aprendizado profundo que são as redes neurais artificiais, que são modelos computacionais inspirados na estrutura do cérebro humano.
Neste módulo avançaremos nos conceitos introduzidos no módulo anterior, mas de forma mais prática. E pra isso, é importante trazer uma revisão de álgebra linear, que é um dos conceitos matemáticos amplamente utilizados quando falamos de redes neurais artificiais. Daí, seguimos para desenvolver uma classe específica de um neurônio artificial, o Perceptron, que surgiu lá na década de 50. E encerramos o módulo desenvolvendo uma primeira rede neural artificial, é a MLP (Multi-layer Perceptron) como uma evolução do Perceptron com o objetivo de consolidar, de forma prática, os conceitos e fundamentos para os próximos módulos.
Vamos avaliar o nosso conhecimento?
Neste módulo avançaremos nos conceitos introduzidos no módulo anterior, mas de forma mais prática. E pra isso, é importante trazer uma revisão de álgebra linear, que é um dos conceitos matemáticos amplamente utilizados quando falamos de redes neurais artificiais. Daí, seguimos para desenvolver uma classe específica de um neurônio artificial, o Perceptron, que surgiu lá na década de 50. E encerramos o módulo desenvolvendo uma primeira rede neural artificial, é a MLP (Multi-layer Perceptron) como uma evolução do Perceptron com o objetivo de consolidar, de forma prática, os conceitos e fundamentos para os próximos módulos.
Neste módulo avançaremos nos conceitos introduzidos no módulo anterior, mas de forma mais prática. Trabalharemos num modelo de deep learning usando PyTorch para um problema de regressão, explorando desafios que podem ocorrer nesta tarefa, bem como entendendo quais componentes ou parâmetros você pode utilizar para superar estes desafios e ter um modelo mais preciso. Finalizaremos o módulo servindo o modelo de deep learning treinado como uma API, consolidando de forma prática os conceitos e fundamentos para os próximos módulos.
Implemente, utilizando pytorch, um sistema de previsão de valores de imóveis utilizando Perceptron Multicamadas (MLP) em Python. O sistema deve carregar os dados do Dataset California Housing, realizar pré-processamento, treinar uma rede neural para regressão e avaliar os resultados.
Neste módulo, você irá aprofundar seus conhecimentos em funções de ativação e perda, como Softmax e Cross-Entropy Loss, essenciais para classificação em deep learning. Também aprenderá a gerenciar experimentos, versionar e fazer deployment de modelos com MLflow.
Implemente, utilizando PyTorch ou Keras, um sistema de detecção de Parkinson utilizando Redes Neurais Profundas (Deep MLP) em Python. O sistema deve carregar os dados do Dataset Parkinson's (UCI), realizar pré-processamento e, obrigatoriamente, realizar experimentos variando a profundidade da rede (número de camadas ocultas). Todos os resultados e parâmetros dos experimentos devem ser registrados e comparados utilizando o MLflow.
Vamos avaliar o que aprendemos?
