Revolucione o setor de tecnologia graças a este Mestrado em Deep Learning"

Os rápidos desenvolvimentos tecnológicos dos últimos anos fizeram com que o carro autônomo, o diagnóstico precoce de doenças graves usando dispositivos de imagem altamente precisos ou o reconhecimento facial com aplicativos móveis não estivessem tão distantes. Portanto, atualmente, essas inovações emergentes têm como objetivo melhorar a precisão da automação e a qualidade dos resultados obtidos.

Um cenário no qual o profissional de TI desempenha um papel decisivo, que deve ter um conhecimento profundo de Deep Learning, e ser capaz de avançar no setor para criar uma verdadeira Inteligência Artificial. Por esta razão, a TECH criou este Mestrado de 12 meses com o programa mais avançado e atualizado, elaborado por verdadeiros especialistas neste campo.

Um programa com uma perspectiva teórico-prática que levará os alunos a adquirir um aprendizado intensivo sobre fundamentos matemáticos, construção de redes neurais, personalização de modelos e treinamento com o TensorFlow. Uma amplitude de conteúdo que será muito mais fácil de assimilar graças aos resumos em vídeo de cada tópico, vídeos in focus, leituras especializadas e estudos de caso. Além disso, com o sistema Relearning, utilizado pela TECH, o cientista da computação progredirá mais naturalmente nesse programa, consolidando novos conceitos com mais facilidade, reduzindo assim as longas horas de estudo.

Uma educação universitária que se concentra no conhecimento que ajudará os alunos a crescer profissionalmente, que também desejam combinar uma opção acadêmica de alto nível com suas atividades diárias. Tudo o que você precisa é de um dispositivo digital com conexão à Internet para acessar este programa a qualquer momento, que está na linha de frente do mundo acadêmico.

Tenha sucesso com seus projetos de IA em setores como o automotivo, financeiro ou médico com a educação fornecida pela TECH"

Este Mestrado em Deep Learning conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Data Engineer e Data Scientist
• O conteúdo gráfico, esquemático e eminentemente prático do programa fornece informações técnicas sobre as disciplinas que são essenciais para a prática profissional
• Exercícios práticos onde o processo de autoavaliação é realizado para melhorar a aprendizagem
• Destaque especial para as metodologias inovadoras
• Lições teóricas, perguntas aos especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual
• Disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo, fixo ou portátil, com conexão à Internet

Analise à vontade as bibliotecas de transformação do Hugging Face e outras ferramentas de processamento de linguagem natural para aplicar a problemas de visão"

O corpo docente do programa conta com profissionais do setor, que transferem toda a experiência adquirida ao longo de suas carreiras para esta capacitação, além de especialistas reconhecidos de instituições de referência e universidades de prestígio.

O conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, permitirá ao profissional uma aprendizagem contextualizada, ou seja, realizada através de um ambiente simulado, proporcionando uma capacitação imersiva e programada para praticar diante de situações reais.

A estrutura deste programa se concentra na Aprendizagem Baseada em Problemas, onde o profissional deverá tentar resolver as diferentes situações de prática profissional que surjam ao longo do curso acadêmico. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos.

Você terá acesso a um programa avançado de Deep Learning, 24 horas por dia, em qualquer dispositivo digital com conexão à Internet"

Um Mestrado de 12 meses com a aplicação de técnicas de aprendizagem profunda a problemas reais"

O plano de estudos deste Mestrado guiará os alunos através de uma jornada acadêmica dos fundamentos matemáticos do Deep Learning, seus princípios, o treinamento de redes neurais profundas, a visualização de resultados e a avaliação de modelos de aprendizagem profunda. Um conteúdo abrangente, complementado por inúmeros recursos didáticos inovadores, compõe a Biblioteca Virtual deste programa.

Com o sistema Relearning, você dirá adeus às longas horas de estudo e adquirirá um aprendizado muito mais eficiente e fácil"

Módulo 1. Fundamentos Matemáticos do Deep Learning

1.1. Funções e Derivadas

1.1.1. Funções lineares
1.1.2. Derivadas parciais
1.1.3. Derivadas de ordem superior

1.2. Funções aninhadas

1.2.1. Funções compostas
1.2.2. Funções inversas
1.2.3. Funções recursivas

1.3. Regra da cadeia

1.3.1. Derivadas de funções aninhadas
1.3.2. Derivadas de funções compostas
1.3.3. Derivadas de funções inversas

1.4. Funções com múltiplas entradas

1.4.1. Funções de várias variáveis
1.4.2. Funções vetoriais
1.4.3. Funções matriciais

1.5. Derivadas de funções com múltiplas entradas

1.5.1. Derivadas parciais
1.5.2. Derivadas direcionais
1.5.3. Derivadas mistas

1.6. Funções com múltiplas entradas vetoriais

1.6.1. Funções vetoriais lineares
1.6.2. Funções vetoriais não lineares
1.6.3. Funções vetoriais de matriz

1.7. Criação de novas funções a partir de funções existentes

1.7.1. Soma de funções
1.7.2. Produto de funções
1.7.3. Composição de funções

1.8. Derivadas de funções com múltiplas entradas vetoriais

1.8.1. Derivadas de funções lineares
1.8.2. Derivadas de funções não lineares
1.8.3. Derivadas de funções compostas

1.9. Funções vetoriais e suas derivadas: Um passo além

1.9.1. Derivadas direcionais
1.9.2. Derivadas mistas
1.9.3. Derivadas matriciais

1.10. O Backward Pass

1.10.1. Propagação de erros
1.10.2. Aplicação de regras de atualização
1.10.3.  Otimização de parâmetros

Módulo 2. Princípios do Deep Learning

2.1. Aprendizagem supervisionada

2.1.1. Máquinas de aprendizagem supervisionada
2.1.2. Usos de aprendizagem supervisionada
2.1.3. Diferenças entre aprendizagem supervisionada e não supervisionada

2.2. Modelos de aprendizagem supervisionada

2.2.1. Modelos lineares
2.2.2. Modelos de árvores de decisão
2.2.3. Modelos de redes neurais

2.3. Regressão linear

2.3.1. Regressão linear simples
2.3.2. Regressão linear múltipla
2.3.3. Análise de regressão

2.4. Treinamento do modelo

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Métodos de Otimização

2.5. Avaliação do modelo: Conjunto de treinamento versus conjunto de teste

2.5.1. Métricas de avaliação
2.5.2. Validação cruzada
2.5.3. Comparação dos conjuntos de dados

2.6. Avaliação do modelo: O código

2.6.1. Geração de predições
2.6.2. Análise de erros
2.6.3. Métricas de avaliação

2.7. Análise das variáveis

2.7.1. Identificação de variáveis relevantes
2.7.2. Análise de correlação
2.7.3. Análise de regressão

2.8. Explicabilidade dos modelos de redes neurais

2.8.1. Modelos interpretáveis
2.8.2. Métodos de visualização
2.8.3. Métodos de avaliação

2.9. Otimização

2.9.1. Métodos de otimização
2.9.2. Técnicas de regularização
2.9.3. Uso de gráficos

2.10. Hiperparâmetros

2.10.1. Seleção de hiperparâmetros
2.10.2. Busca de parâmetros
2.10.3. Ajuste de hiperparâmetros

Módulo 3. Redes Neurais como Base do Deep Learning

3.1. Aprendizagem profunda

3.1.1. Tipos de aprendizagem profunda
3.1.2. Aplicativos de aprendizagem profunda
3.1.3. Vantagens e desvantagens da aprendizagem profunda

3.2. Operações

3.2.1. Soma
3.2.2. Produtos
3.2.3. Transferência

3.3. Camadas

3.3.1. Camada de entrada
3.3.2. Camada oculta
3.3.3. Camada de saída

3.4. União de Camadas e Operações

3.4.1. Design de arquiteturas
3.4.2. Conexão entre camadas
3.4.3. Propagação para frente

3.5. Construção da primeira rede neural

3.5.1. Design da rede
3.5.2. Definição dos pesos
3.5.3. Treinamento da rede

3.6. Treinador e Otimizador

3.6.1. Seleção do otimizador
3.6.2. Definição de uma função de perda
3.6.3. Definição de uma métrica

3.7. Aplicação dos princípios das redes neurais

3.7.1. Funções de ativação
3.7.2. Retropropagação
3.7.3. Ajuste dos parâmetros

3.8. Dos neurônios biológicos para os artificiais

3.8.1. Funcionamento de um neurônio biológico
3.8.2. Transferência de conhecimento para os neurônios artificiais
3.8.3. Estabelecimento de relações entre ambos

3.9. Implementação de MLP (Perceptron multicamadas) com Keras

3.9.1. Definição da estrutura da rede
3.9.2. Compilação do modelo
3.9.3. Treinamento do modelo

3.10. Hiperparâmetros de Fine tuning de Redes Neurais

3.10.1. Seleção da função de ativação
3.10.2. Estabelecer o learning rate
3.10.3. Ajuste dos pesos

Módulo 4. Treinamento de Redes Neurais Profundas

4.1. Problemas de Gradientes

4.1.1. Técnicas de otimização de gradiente
4.1.2. Gradientes Estocásticos
4.1.3. Técnicas de inicialização de pesos

4.2. Reutilização de camadas pré-treinadas

4.2.1. Treinamento de transferência de aprendizagem
4.2.2. Extração de características
4.2.3. Aprendizado profundo

4.3. Otimizadores

4.3.1. Otimizadores de descida de gradiente estocástico
4.3.2. Otimizadores Adam e RMSprop
4.3.3. Otimizadores de momento

4.4. Programação da taxa de aprendizagem

4.4.1. Controle de taxa de aprendizagem automática
4.4.2. Ciclos de aprendizagem
4.4.3. Termos de suavização

4.5. Sobreajuste

4.5.1. Validação cruzada
4.5.2. Regularização
4.5.3. Métricas de avaliação

4.6. Diretrizes práticas

4.6.1. Design de modelos
4.6.2. Seleção de métricas e parâmetros de avaliação
4.6.3. Testes de hipóteses

4.7. Transfer Learning

4.7.1. Treinamento de transferência de aprendizagem
4.7.2. Extração de características
4.7.3. Aprendizado profundo

4.8. Data Augmentation

4.8.1. Transformações de imagem
4.8.2. Geração de dados sintéticos
4.8.3. Transformação de texto

4.9. Aplicação prática de Transfer Learning

4.9.1. Treinamento de transferência de aprendizagem
4.9.2. Extração de características
4.9.3. Aprendizado profundo

4.10. Regularização

4.10.1. L1 E L2
4.10.2. Regularização por máxima entropia
4.10.3. Dropout

Módulo 5. Personalização de Modelos e Treinamento com TensorFlow

5.1. TensorFlow

5.1.1. Uso da biblioteca TensorFlow
5.1.2. Treinamento de modelos com TensorFlow
5.1.3. Operações com gráficos no TensorFlow

5.2. TensorFlow e NumPy

5.2.1. Ambiente computacional NumPy para TensorFlow
5.2.2. Utilização de arrays NumPy com TensorFlow
5.2.3. Operações NumPy para gráficos do TensorFlow

5.3. Personalização de modelos e algoritmos de treinamento

5.3.1. Construção de modelos personalizados com TensorFlow
5.3.2. Gestão de parâmetros de treinamento
5.3.3. Utilização de técnicas de otimização para treinamento

5.4. Funções e gráficos do TensorFlow

5.4.1. Funções com TensorFlow
5.4.2. Utilização de gráficos para treinamento de modelos
5.4.3. Otimização de gráficos com operações do TensorFlow

5.5. Carregamento e pré-processamento de dados com TensorFlow

5.5.1. Carregamento de conjuntos de dados com TensorFlow
5.5.2. Pré-processamento de dados com TensorFlow
5.5.3. Utilização de ferramentas do TensorFlow para manipulação de dados

5.6. API tf.data

5.6.1. Utilização da API tf.data para processamento de dados
5.6.2. Construção de fluxos de dados com tf.data
5.6.3. Uso da API tf.data para treinamento de modelos

5.7.  Formato TFRecord

5.7.1. Utilização da API TFRecord para serialização de dados
5.7.2. Carregamento de arquivos TFRecord com TensorFlow
5.7.3. Utilização de arquivos TFRecord para treinamento de modelos

5.8. Camadas de pré-processamento do Keras

5.8.1. Utilização da API de pré-processamento do Keras
5.8.2. Construção de pipelines de pré-processamento com Keras
5.8.3. Uso da API de pré-processamento do Keras para treinamento de modelos

5.9. Projeto TensorFlow Datasets

5.9.1. Utilização do TensorFlow Datasets para carregamento de dados
5.9.2. Pré-processamento de dados com o TensorFlow Datasets
5.9.3. Uso do TensorFlow Datasets para treinamento de modelos

5.10. Construção de uma Aplicação de Deep Learning com TensorFlow. Aplicação Prática

5.10.1. Construção de uma aplicação de Deep Learning com TensorFlow
5.10.2. Treinamento de um modelo com TensorFlow
5.10.3. Utilização da aplicação para previsão de resultados

Módulo 6. Deep Computer Vision com Redes Neurais Convolucionais

6.1. A Arquitetura do Visual Cortex

6.1.1. Funções do córtex visual
6.1.2. Teorias da visão computacional
6.1.3. Modelos de processamento de imagens

6.2. Camadas convolucionais

6.2.1. Reutilização de pesos na convolução
6.2.2. Convolução 2D
6.2.3. Funções de ativação

6.3. Camadas de agrupamento e implementação de camadas de agrupamento com o Keras

6.3.1. Pooling e Striding
6.3.2. Flattening
6.3.3. Tipos de Pooling

6.4. Arquiteturas CNN

6.4.1. Arquitetura VGG
6.4.2. Arquitetura AlexNet
6.4.3. Arquitetura ResNet

6.5. Implementação de uma CNN ResNet-34 usando o Keras

6.5.1.  Inicialização de pesos
6.5.2. Definição da camada de entrada
6.5.3. Definição da saída

6.6. Uso de modelos pré-treinados do Keras

6.6.1. Características dos modelos pré-treinados
6.6.2. Usos dos modelos pré-treinados
6.6.3. Vantagens dos modelos pré-treinados

6.7. Modelos pré-treinados para aprendizado por transferência

6.7.1. Aprendizagem por transferência
6.7.2. Processo de aprendizagem por transferência
6.7.3. Vantagens do aprendizagem por transferência

6.8. Classificação e localização em Deep Computer Vision

6.8.1. Classificação de imagens
6.8.2. Localização de objetos em imagens
6.8.3. Detecção de objetos

6.9. Detecção e rastreamento de objetos

6.9.1. Métodos de detecção de objetos
6.9.2. Algoritmos de rastreamento de objetos
6.9.3. Técnicas de rastreamento e localização

6.10. Segmentação semântica

6.10.1. Aprendizagem profunda para segmentação semântica
6.10.2. Detecção de bordas
6.10.3. Métodos de segmentação baseados em regras

Módulo 7. Processamento de Sequências usando RNN (Redes Neurais Recorrentes) e CNN (Redes Neurais Convolucionais)

7.1. Neurônios e camadas recorrentes

7.1.1. Tipos de neurônios recorrentes
7.1.2. Arquitetura de uma camada recorrente
7.1.3. Aplicações de camadas recorrentes

7.2. Treinamento de Redes Neurais Recorrentes (RNN)

7.2.1. Backpropagation através do tempo (BPTT)
7.2.2. Gradiente descendente estocástico
7.2.3. Regularização no treinamento de RNN

7.3. Avaliação de modelos RNN

7.3.1. Métricas de avaliação
7.3.2. Validação cruzada
7.3.3. Ajuste de hiperparâmetros

7.4. RNN pré-treinadas

7.4.1. Redes pré-treinadas
7.4.2. Transferência de aprendizagem
7.4.3. Ajuste fino

7.5. Previsão de uma série de tempo

7.5.1. Modelos estatísticos para previsão
7.5.2. Modelos de séries temporais
7.5.3. Modelos baseados em redes neurais

7.6. Interpretação dos resultados da análise de séries temporais

7.6.1. Análise de componentes principais
7.6.2. Análise de Cluster
7.6.3. Análise de correlações

7.7. Manejo de sequências longas

7.7.1. Long Short-Term Memory (LSTM)
7.7.2. Gated Recurrent Units (GRU)
7.7.3. Convolucionais 1D

7.8. Aprendizagem de sequência parcial

7.8.1. Métodos de aprendizagem profunda
7.8.2. Modelos generativos
7.8.3. Aprendizagem de reforço

7.9. Aplicação prática de RNN e CNN

7.9.1. Processamento de linguagem natural
7.9.2. Reconhecimento de padrões
7.9.3. Visão por computador

7.10. Diferenças nos resultados clássicos

7.10.1. Métodos clássicos x RNN
7.10.2. Métodos clássicos x CNN
7.10.3. Diferença no tempo de treinamento

Módulo 8. Processamento de Linguagem Natural (PLN) com Redes Neurais Recorrentes (RNN) e Atenção

8.1. Geração de texto usando RNN

8.1.1. Treinamento de uma RNN para geração de texto
8.1.2. Geração de linguagem natural com RNN
8.1.3. Aplicações de geração de texto com RNN

8.2. Criação do conjunto de dados de treinamento

8.2.1. Preparação dos dados para treinamento de uma RNN
8.2.2. Armazenamento do conjunto de dados de treinamento
8.2.3. Limpeza e transformação dos dados

8.3. Análise de sentimento

8.3.1. Classificação de opiniões com RNN
8.3.2. Detecção de temas nos comentários
8.3.3. Análise de sentimento com algoritmos de aprendizagem profunda

8.4. Rede codificador-decodificador para tradução automática neural

8.4.1. Treinamento de uma RNN para tradução automática
8.4.2. Uso de uma rede encoder-decoder para tradução automática
8.4.3. Aumento da precisão da tradução automática com RNN

8.5. Mecanismos de atenção

8.5.1. Aplicação de mecanismos de atenção em RNN
8.5.2. Uso de mecanismos de atenção para melhorar a precisão dos modelos
8.5.3. Vantagens dos mecanismos de atenção em redes neurais

8.6. Modelos Transformers

8.6.1. Uso de modelos Transformers para processamento de linguagem natural
8.6.2. Aplicação de modelos Transformers para visão
8.6.3. Vantagens dos modelos Transformers

8.7. Transformers para visão

8.7.1. Uso de modelos Transformers para visão
8.7.2. Processamento de dados Imagem
8.7.3. Treinamento de modelos transformação para visão

8.8. Biblioteca Transformers de Hugging Face

8.8.1. Uso da Biblioteca Transformers de Hugging Face
8.8.2. Aplicação da Biblioteca Transformers de Hugging Face
8.8.3. Vantagens da Biblioteca Transformers de Hugging Face

8.9. Outras bibliotecas Transformers. Comparativa

8.9.1. Comparação entre as diferentes bibliotecas Transformers
8.9.2. Uso das diferentes bibliotecas Transformers
8.9.3. Vantagens das diferentes bibliotecas Transformers

8.10. Desenvolvimento de um aplicativo de PLN com RNN e atenção. Aplicações práticas

8.10.1. Desenvolvimento de um aplicativo de processamento de linguagem natural com RNN e atenção
8.10.2. Uso de RNN, mecanismos de atenção e modelos Transformers no aplicativo
8.10.3. Avaliação da aplicação prática

Módulo 9. Autoencoders, GANs e Modelos de Difusão

9.1. Representação de dados eficientes

9.1.1. Redução da dimensionalidade
9.1.2. Aprendizagem profunda
9.1.3. Representações compactas

9.2. Realização de PCA com um codificador automático linear incompleto

9.2.1. Processo de treinamento
9.2.2. Implementação em Python
9.2.3. Utilização de dados de teste

9.3. Codificadores automáticos empilhados

9.3.1. Redes neurais profundas
9.3.2. Construção de arquiteturas de codificação
9.3.3. Uso da regularização

9.4. Autoencoders convolucionais

9.4.1. Design de modelos convolucionais
9.4.2. Treinamento de modelos convolucionais
9.4.3. Avaliação de resultados

9.5. Eliminação de ruído de codificadores automáticos

9.5.1. Aplicação de filtros
9.5.2. Design de modelos de codificação
9.5.3. Uso de técnicas de regularização

9.6. Codificadores automáticos dispersos

9.6.1. Aumentando a eficiência da codificação
9.6.2. Minimizando o número de parâmetros
9.6.3. Utilização de técnicas de regularização

9.7. Codificadores automáticos variacionais

9.7.1. Utilização de otimização variacional
9.7.2. Aprendizagem profunda não supervisionada
9.7.3. Representações latentes profundas

9.8. Geração de imagens MNIST de moda

9.8.1. Reconhecimento de padrões
9.8.2. Geração de imagens
9.8.3. Treinamento de Redes Neurais Profundas

9.9. Redes adversárias generativas e modelos de difusão

9.9.1. Geração de conteúdo a partir de imagens
9.9.2. Modelagem de distribuições de dados
9.9.3. Uso de redes adversárias

9.10. Implementação dos Modelos. Aplicações práticas

9.10.1. Implementação dos modelos
9.10.2. Uso de dados reais
9.10.3. Avaliação de resultados

Módulo 10. Reinforcement Learning

10.1. Otimização de recompensas e busca de políticas

10.1.1. Algoritmos de otimização de recompensas
10.1.2. Processos de busca de políticas
10.1.3. Aprendizagem por reforço para otimizar recompensas

10.2. OpenAI

10.2.1. Ambiente OpenAI Gym
10.2.2. Criação de ambientes OpenAI
10.2.3. Algoritmos de aprendizado por reforço na OpenAI

10.3. Políticas de redes neurais

10.3.1. Redes neurais convolucionais para busca de políticas
10.3.2. Políticas de aprendizagem profunda
10.3.3. Extensão de políticas de redes neurais

10.4. Avaliação de ações: o problema da atribuição de créditos

10.4.1. Análise de risco para atribuição de créditos
10.4.2. Estimativa de rentabilidade de empréstimos
10.4.3. Modelos de avaliação de crédito baseados em redes neurais

10.5. Gradientes de Política

10.5.1. Aprendizagem por reforço com gradientes de política
10.5.2. Otimização de gradientes de política
10.5.3. Algoritmos de gradientes de política

10.6. Processos de decisão de Markov

10.6.1. Otimização de processos de decisão de Markov
10.6.2. Aprendizagem por reforço para processos de decisão de Markov
10.6.3. Modelos de processos de decisão de Markov

10.7. Aprendizagem de diferenças temporais e Q-Learning

10.7.1. Aplicação de diferenças temporais na aprendizagem
10.7.2. Aplicação da Q-Learning em aprendizagem
10.7.3. Otimização de parâmetros de Q-Learning

10.8. Implementar Deep Q-Learning e variantes de Deep Q-Learning

10.8.1. Construção de redes neurais profundas para Deep Q-Learning
10.8.2. Implementação do Deep Q- Learning
10.8.3. Variações do Deep Q- Learning

10.9. Algoritmos de Reinforment Learning

10.9.1. Algoritmos de Aprendizagem por Reforço
10.9.2. Algoritmos de Aprendizagem por Recompensa
10.9.3. Algoritmos de Aprendizagem por Castigo

10.10. Projeto de um Ambiente de aprendizagem por reforço. Aplicações práticas

10.10.1. Projeto de um Ambiente de aprendizagem por reforço
10.10.2. Implementação de um algoritmo de aprendizagem por reforço
10.10.3. Avaliação de um Algoritmo de aprendizagem por reforço

Capacite-se no treinamento, avaliação e análise de modelos de redes neurais graças a este programa universitário"