Estude ideias centrais de redes neurais em sete laboratórios Jupyter que abrangem TensorFlow, Keras e PyTorch. Após uma introdução conceitual a deep learning, você trabalhará com tensores e computação, treinará regressões, montará redes totalmente conectadas e criará um modelo de classificação de texto.
O curso combina panoramas dos frameworks com implementações parcialmente preenchidas. Os exemplos usam dados de moradias da Califórnia, dígitos manuscritos, avaliações IMDB e regressão sintética para contextualizar camadas, perdas, otimizadores, ciclos de treinamento e previsões.
O que você aprenderá
- Explicar marcos, conceitos e estruturas básicas de deep learning
- Trabalhar com tensores, sessões, grafos, variáveis, placeholders e operações matriciais do TensorFlow
- Implementar regressão TensorFlow com mínimos quadrados, gradientes manuais, otimizadores e minilotes
- Construir e treinar uma rede TensorFlow multicamada para dígitos manuscritos
- Explorar camadas Keras, Sequential, Functional API, treinamento, avaliação e visualização
- Preparar sequências IMDB e construir um classificador de sentimento Keras Sequential
- Usar tensores PyTorch, autograd, módulos neurais e otimizadores
- Completar um modelo e ciclo de regressão PyTorch com dados sintéticos
Para quem é este curso
Este curso é para estudantes com fundamentos de Python e machine learning que desejam comparar como três frameworks expressam tensores, camadas, modelos e treinamento. Embora os laboratórios sejam marcados como iniciantes, os notebooks compactos pressupõem arrays tipo NumPy, operações matriciais, perdas e otimização. É uma base de frameworks, não um curso de implantação moderna em produção ou deep learning avançado.
Pré-requisitos: Recomendam-se Python básico, operações com arrays tipo NumPy e compreensão introdutória de regressão linear e redes neurais. Familiaridade com Jupyter Notebook é útil.
Ambiente de aprendizagem: Os sete laboratórios são executados em um ambiente Jupyter Ubuntu 22.04 fornecido. Os notebooks combinam explicações, exemplos executáveis e células incompletas para você terminar.
Perguntas frequentes
Vou construir modelos com os três frameworks?
Sim. TensorFlow é usado para regressão e um modelo multicamada de dígitos, Keras para sentimento IMDB com Sequential e PyTorch para regressão linear. Os guias também cobrem abstrações centrais.
É adequado para quem não conhece Python?
Não. Os notebooks avançam rapidamente por tensores, multiplicação matricial, perdas, gradientes e ciclos de treinamento. Fundamentos de Python e machine learning introdutório são importantes.
O curso usa APIs atuais dos frameworks?
Não em todo o conteúdo. TensorFlow usa padrões 1.x como Session e placeholder; Keras usa o pacote independente keras; e o guia PyTorch contém Variable e material CUDA 8/9 mais antigos. Os conceitos são úteis, mas projetos novos exigem documentação atual.
Quais dados e tarefas estão incluídos?
Os notebooks usam moradias da Califórnia para regressão TensorFlow, dígitos do scikit-learn para classificação, avaliações IMDB para sentimento e dados gerados para regressão PyTorch.
