TensorFlow para iniciantes: aprendizado profundo com TensorFlow

Name: TensorFlow para iniciantes: aprendizado profundo com TensorFlow
Author: Josh Turner

Aprenda os fundamentos da aprendizagem profunda com o TensorFlow e explore os diferentes métodos utilizados neste domínio

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

Solicitar uma demonstração Entrar

Curso: sob demanda

Olá, meu nome é Josh Turner. Nestas lições, ensinarei sobre métodos de aprendizagem profunda, o perceptron multicamadas e aprendizagem de representação. Vamos começar. No aprendizado de máquina, discutimos dois tipos básicos de profundidade métodos de aprendizagem, regressão e classificação. Nesta lição, vou lhe ensinar algumas regressões profundas modelos de aprendizagem e alguma classificação de aprendizagem profunda modelos. A primeira coisa que discutiremos é a regressão. Os modelos de regressão são ótimos para fazer coisas como previsões e inferências sobre diferentes tipos de dados, bem como interpolação entre determinados pontos de dados. O primeiro modelo de regressão e o mais básico que gostamos de de que falamos hoje é o perceptron multicamadas. O perceptron multicamadas pode ser implementado no TensorFlow usando a estrutura de camada do TensorFlow. A idéia básica é que você construa um modelo usando camadas conectadas subsequentes. Você começa com algum tipo de dado de entrada e o coloca em um camada que consiste em pesos e vieses. Essa camada usa os pesos e tendências para fazer algumas cálculo matemático, fornecendo algum tipo de dados de saída. Os dados de saída serão então os dados de entrada para o próximo ou camada subsequente, que também consiste em pesos e vieses. Este processo é repetido até que algum resultado final seja fornecido. O O próximo tipo de modelo de regressão que devemos discutir é o RNN corta classe de modelo LSTM. RNN significa Rede Neural Recorrente. LSTM significa Long Short-Term Memory. Isso permite relações básicas de recorrência em nossos dados. Portanto, basicamente segue a estrutura da camada, mas permite camadas que se reiteram e invocam a si mesmas. Podemos usar isso para modelar dados de séries temporais para coisas como previsões de vendas ou a prevalência e disseminação de doença. Ok, esses são alguns modelos de aprendizagem profunda de regressão. Agora, vamos falar sobre o segundo tipo de aprendizagem profunda método, que é classificação. Os modelos de classificação são muito úteis para qualquer cientista de dados. Podemos usar classificações de imagens. Podemos classificar as cidades por localidades. Podemos classificar diferentes tipos de carros, etc. Qualquer tarefa de classificação que você possa imaginar, podemos usar e criar um modelo de classificação para ajudar a prever isso tarefa. No TensorFlow, existem muitos tipos diferentes de modelos de classificação. Discutiremos alguns deles agora. O primeiro modelo que gostaria de discutir é o Rede Neural Convolucional ou CNN. CNN pode ser implementada no TensorFlow seguindo a camada estrutura também. E estes são ótimos para classificação de imagens ou, como eu disse antes, realmente qualquer tarefa de classificação. A ideia básica é a mesma. Temos algum tipo de dados de entrada. Colocamos em uma camada. A saída dessa camada será a entrada para a próxima camada e o processo é repetido. No entanto, há uma diferença com as CNNs. Essas camadas têm nomes especiais e podem exigir diferentes técnicas matemáticas do que o multicamada regular perceptron. A primeira camada que é muito importante para a CNN é a camada convolucional. A próxima camada depois disso é a camada de pooling. Depois de entendermos essas camadas, podemos repetir esse processo e obter um resultado final ou previsão. O método de aprendizagem profunda de classificação final que eu gostaria discutir com você é chamado de aprendizagem de representação. A aprendizagem de representação também pode seguir uma estrutura modelo. É um pouco diferente da classificação de imagens, no entanto. Classifica imagens, mas também cria imagens. E a ideia básica é a seguinte. Você começa com algum tipo de dados de entrada e os executa em um modelo chamado codificador. O codificador fornecerá algum tipo de saída que fará com que o dados muito menores e os projetam em um espaço latente. Isso nos permite aprender apenas os recursos mais importantes. A imagem ou os dados são então enviados para um decodificador onde uma mensagem final previsão é feita. Ok, esses são alguns bons métodos de aprendizado profundo. Obrigado por assistir. Fique ligado na próxima lição, onde você aprenderá sobre o perceptron multicamadas.

Principiante Fornecedor : Josh Turner 3 lições · 20m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

A aprendizagem profunda é um campo em rápida evolução, e ter uma compreensão fundamental dos diferentes métodos e técnicas utilizados na aprendizagem profunda pode ser valioso para os profissionais neste espaço. Nestas lições, aprenderá sobre os diferentes métodos de aprendizagem profunda utilizados no domínio, incluindo as Redes Neuronais Convolucionais (CNN) e os Perceptrons Multicamadas (MLP). Também descobrirá os diferentes nomes usados para pesos na aprendizagem profundo e explorará as várias funções de perda que podem ser usadas em uma rede neural, como o erro quadrático médio (MSE), a entropia cruzada categórica esparsa e a entropia cruzada binária.

Em seguida, você explorará os diferentes tipos de camadas usadas nas redes neurais convolucionais (CNNs), como a camada convolucional, a camada de pooling e a camada de nivelamento. Você também aprenderá sobre as diferentes camadas em um Perceptron Multicamada (MLP), que é outro tipo de rede neural comumente usado em aprendizado profundo.

Em seguida, vai aprofundar em Autoencoders, que são um tipo de rede neural usada para aprendizagem não supervisionada. Aprenderá sobre as diferentes camadas de um Autoencoder, incluindo a camada de Codificação e a camada de Decodificação. Também explorará os benefícios de ter uma camada menor num Autoencoder e como isso pode melhorar a eficiência do modelo.

No geral, descobrirá um dos conjuntos de dados populares disponíveis nos conjuntos de dados do TensorFlow e aprenderá sobre as aplicações dos Autoencoders na aprendizagem de características em imagens. Também descobrirá se a camada do Autoencoder deve ser maior e compreenderá o raciocínio por trás disso.

O Que Você Vai Aprender

Reconheça os diferentes métodos de aprendizado profundo usados na área, incluindo Redes Neurais Convolucionais (CNNs) e Perceptrons Multicamadas (MLPs)
Descreva os diferentes nomes usados para pesos em aprendizado profundo
Explique as várias funções de perda usadas em redes neurais, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária
Identifique os diferentes tipos de camadas usadas em CNNs, incluindo as camadas Convolucional, Pooling e Flatten
Explore Autoencodificadores para aprendizado não supervisionado, incluindo as camadas de Codificação e Decodificação
Descubra um conjunto de dados popular do TensorFlow e as aplicações de Autoencodificadores no aprendizado de características em imagens

Principais Conclusões

O aprendizado profundo usa vários métodos, incluindo Redes Neurais Convolucionais (CNNs) e Perceptrons Multicamadas (MLPs).
Redes neurais podem usar diferentes funções de perda, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária.
Redes Neurais Convolucionais são construídas a partir de tipos de camadas incluindo a camada Convolucional, camada Pooling e camada Flatten.
Autoencodificadores são um tipo de rede neural usado para aprendizado não supervisionado, compostos por uma camada de Codificação e uma camada de Decodificação.
Uma camada menor em um Autoencodificador pode melhorar a eficiência do modelo e ajuda-o a aprender características em imagens.

Perguntas Frequentes

Para quem é este curso?

É direcionado a profissionais na área de aprendizado profundo que desejam uma compreensão fundamental dos diferentes métodos e técnicas usados na área.

Quais métodos de aprendizado profundo o curso aborda?

Aborda métodos de aprendizado profundo incluindo Redes Neurais Convolucionais (CNNs), Perceptrons Multicamadas (MLPs) e Autoencodificadores.

O que vou aprender sobre funções de perda?

Você explorará as várias funções de perda usadas em uma rede neural, como Erro Quadrático Médio (MSE), Entropia Cruzada Categórica Esparsa e Entropia Cruzada Binária.

O que são Autoencodificadores abordados neste curso?

Autoencodificadores são um tipo de rede neural usado para aprendizado não supervisionado; o curso aborda suas camadas de Codificação e Decodificação, os benefícios de ter uma camada menor e suas aplicações no aprendizado de características em imagens.

Quais habilidades este curso desenvolve?

Desenvolve habilidades em TensorFlow, Aprendizado Profundo, Métodos de Aprendizado Profundo, Autoencodificadores, Aprendizado de Características e Conjuntos de Dados de Treinamento.