TensorFlow para iniciantes: redes neurais

Name: TensorFlow para iniciantes: redes neurais
Author: Josh Turner

Aprenda os conceitos fundamentais das redes neurais e explore as aplicações do TensorFlow para as construir

Preview the first lesson free — get full access to all 3 lessons.

Curso: sob demanda

Olá, meu nome é Josh Turner. Nestas lições, você aprenderá sobre diferentes tipos de modelos. Vamos começar. Portanto, o primeiro que queremos discutir são os modelos supervisionados. Modelos supervisionados são modelos nos quais sempre que você tiver dados rotulados para seus dados de treinamento ou de saída. Então, digamos que eu tenha um modelo binário onde estou tentando para prever duas coisas diferentes. Talvez seja alguém que esteja doente ou que não esteja doente. Nesse caso, tenho rótulos para doente e não doente em meu conjunto de dados, e isso seria um exemplo de modelo supervisionado. Os modelos supervisionados vêm em vários tipos. Vamos apenas discutir alguns dos tipos de modelos supervisionados. Qualquer tipo de modelo de regressão pode ser considerado como um modelo supervisionado. Por exemplo, redes neurais artificiais. Esses são modelos de aprendizagem supervisionada. Séries temporais, onde você está tentando prever algum tipo de dados de saída. Por exemplo, vendas ou prevalência de doenças. E as árvores de decisão são exemplos de modelos supervisionados. Mais exemplos de modelos supervisionados detalham ainda mais o tipos de métodos de aprendizado de máquina. Então, por exemplo, temos regressão e classificação modelos. Esses são ambos tipos de modelos supervisionados. Redes neurais convolucionais suportam máquinas vetoriais, e novamente, você vê as árvores de decisão como regressão e classificação. Todos esses são tipos de modelos de aprendizagem supervisionada. Então agora sabemos e entendemos o que significa ser um modelo supervisionado. É qualquer tipo de modelo onde seus dados possuem um rótulo e você está tentando prever algo sobre esse rótulo. O outro tipo de modelo que podemos observar é o não supervisionado modelos de aprendizagem. Existem muitos tipos diferentes de modelos de aprendizagem não supervisionados também. Vou te contar muitos dos nomes desses modelos. Não iremos abordá-los em profundidade, mas pelo menos você conhecerá o nomes dos modelos para referência futura. Modelos não supervisionados não vêm com etiquetas. Portanto, podemos não estar tentando compreender ou prever diferentes tipos de rótulos. Portanto, alguns exemplos diferentes de modelos não supervisionados incluem o seguindo. O modelo k-means. Os modelos de clustering são bons exemplos de modelos não supervisionados. PCA ou análise de componentes principais. Um modelo chamado DBSCAN, que é um tipo de agrupamento de densidade de modelo. Métodos discrepantes, que você já deve ter visto antes, são também modelos de aprendizagem não supervisionados. E tipos realmente diferentes de estimativa baseada em densidade podem ser visto como modelos de aprendizagem não supervisionados. Ok, então esses são alguns tipos diferentes de atividades não supervisionadas modelos de aprendizagem. A seguir, vamos falar sobre duas classes diferentes de modelos. O primeiro sobre o qual falaremos são os modelos paramétricos. Modelos paramétricos são qualquer tipo de modelo onde você tem algum tipo de parâmetros para ajustar. Por exemplo, você pode ajustar os parâmetros de pesos e vieses de uma rede neural. Esse seria um exemplo de modelo paramétrico. Outros exemplos incluem redes neurais convolucionais e regressão linear básica. Em contraste, temos um tipo de modelo denominado não paramétrico modelos. Modelos não paramétricos são o tipo de modelo que você cria quando você usa estatísticas descritivas básicas. E um bom exemplo disso é a inferência bayesiana. Obrigado por assistir. Fique ligado na próxima lição, onde você aprenderá sobre redes neurais artificiais.

Principiante Fornecedor : Josh Turner 3 lições · 19m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

As redes neurais tornaram-se parte integrante do aprendizado de máquina e podem ser usadas em uma variedade de aplicações, desde o processamento de imagens até o processamento de linguagem natural. Nestas lições, você aprenderá sobre os conceitos fundamentais das redes neurais, incluindo Redes Neurais Artificiais (RNAs) e o método dos mínimos quadrados. Explorará como criar uma ANN usando o TensorFlow e como usar o método dos mínimos quadrados para otimizar seu desempenho.

Mais adiante, você se aprofundará nas Redes Neurais Convolucionais (CNNs), um tipo de rede neural comumente usado no processamento de imagens. Aprenderá sobre as diferentes camadas usadas em uma CNN, como a camada convolucional, a camada de pooling e a camada de nivelamento, e seus principais usos no processamento de imagens. Também descobrirá as diferentes aplicações das CNNs, como o reconhecimento de imagens e a deteção de objectos.

De um modo geral, obterá uma compreensão fundamental dos diferentes conceitos e técnicas utilizados na construção de redes neurais e as competências necessárias para os aplicar nos seus projectos.

O Que Você Vai Aprender

Compreender os conceitos fundamentais de redes neurais, incluindo Redes Neurais Artificiais (ANNs) e o método dos Mínimos Quadrados
Construir uma Rede Neural Artificial (ANN) usando TensorFlow
Aplicar o método dos Mínimos Quadrados para otimizar o desempenho de uma ANN
Explorar Redes Neurais Convolucionais (CNNs) e as camadas usadas nelas, incluindo as camadas Convolucional, Pooling e Flatten
Identificar aplicações de CNNs, como reconhecimento de imagem e detecção de objetos

Principais Conclusões

Redes neurais são uma parte integral do aprendizado de máquina e podem ser usadas em aplicações que vão desde processamento de imagem até processamento de linguagem natural.
Redes Neurais Artificiais (ANNs) podem ser construídas usando TensorFlow, e o método dos Mínimos Quadrados pode ser usado para otimizar seu desempenho.
Redes Neurais Convolucionais (CNNs) são um tipo de rede neural comumente usado em processamento de imagem.
Uma CNN usa diferentes camadas, incluindo a camada Convolucional, camada Pooling e camada Flatten, cada uma com um uso principal em processamento de imagem.
CNNs têm aplicações como reconhecimento de imagem e detecção de objetos.

Perguntas Frequentes

O que vou aprender neste curso?

Você aprenderá os conceitos fundamentais de redes neurais, incluindo Redes Neurais Artificiais (ANNs) e o método dos Mínimos Quadrados, como construir uma ANN usando TensorFlow, como otimizar seu desempenho com o método dos Mínimos Quadrados, e os fundamentos das Redes Neurais Convolucionais (CNNs) usadas em processamento de imagem.

Este curso é apropriado para iniciantes?

Sim. O curso fornece uma compreensão fundamental dos diferentes conceitos e técnicas usados na construção de redes neurais e as habilidades necessárias para aplicá-los em seus projetos.

O que são Redes Neurais Convolucionais (CNNs) abordadas neste curso?

CNNs são um tipo de rede neural comumente usado em processamento de imagem. O curso cobre as diferentes camadas usadas em uma CNN, como a camada Convolucional, camada Pooling e camada Flatten, e aplicações como reconhecimento de imagem e detecção de objetos.

Quais tópicos as lições cobrem?

As lições cobrem Tipos de Modelos, Redes Neurais Artificiais e Redes Neurais Convolucionais.

Quais habilidades vou ganhar com este curso?

Você construirá habilidades em Redes Neurais Artificiais, Aprendizado Profundo, Métodos de Aprendizado Profundo, Imagenet, Engenharia Neural e TensorFlow.