Avance dos fundamentos do TensorFlow 2 até modelos neurais funcionais em nove notebooks Jupyter. Você começará com tensores, eager execution e diferenciação automática, implementará regressão e classificação e depois abordará redes convolucionais, transferência de aprendizado e persistência de modelos.
O curso compara deliberadamente vários níveis da API. Você escreverá cálculos de baixo nível com variáveis e GradientTape, criará modelos tf.keras Sequential e Functional, fará subclasses e completará tarefas com dados reais e sintéticos.
O que você aprenderá
- Criar e manipular tensores e variáveis TensorFlow em eager execution
- Calcular derivadas e acompanhar gradientes com
tf.GradientTape - Implementar regressão linear com operações de baixo nível, camadas e modelos Keras
- Ajustar regressão polinomial completando uma implementação de baixo nível
- Construir classificadores rasos com código próprio, Sequential, Functional e subclasses
- Preparar e classificar dígitos manuscritos e dados de segurança automotiva
- Construir redes VGG e LeNet-5 para Fashion-MNIST e adaptar uma base VGG16 pré-treinada
- Salvar e restaurar pesos, modelos completos e checkpoints de baixo nível
Para quem é este curso
Este curso é para quem conhece Python e machine learning introdutório e deseja percorrer TensorFlow 2 pelo código, de tensores a CNNs. Embora os notebooks sejam marcados como iniciantes, avançam rápido e pressupõem arrays, regressão, classificação e a finalidade básica das camadas neurais. Implantação e serving em produção não são abordados.
Pré-requisitos: Recomendam-se Python, operações com arrays tipo NumPy e noções de derivadas, regressão, classificação e redes neurais. Familiaridade com Jupyter Notebook é útil.
Ambiente de aprendizagem: As nove atividades são executadas em um ambiente Jupyter Ubuntu 22.04 fornecido. Os notebooks incluem explicações, exemplos executáveis, carga de dados e seções de implementação para completar.
Perguntas frequentes
É apenas uma introdução à sintaxe do TensorFlow?
Não. Após sintaxe e diferenciação automática, o curso cobre regressão, classificação, CNNs VGG e LeNet-5, transferência de aprendizado e salvamento.
Quais conjuntos de dados são usados?
São usados dados de regressão gerados, dígitos do scikit-learn, Car Evaluation e Fashion-MNIST em regressão, classificação tabular e de imagens.
Todos os exemplos seguem o estilo mais recente do TensorFlow 2?
Não. A abordagem principal usa eager, GradientTape e tf.keras, mas algumas células mantêm nomes iniciais como tf.train.AdamOptimizer. Consulte a documentação atual ao adaptar os exemplos.
Existe um único projeto final?
Não. Há tarefas focadas de regressão polinomial, classificação de segurança automotiva e rede tipo LeNet-5, além dos notebooks guiados.
