Exploração de Dados X

Ativação

Inicializa uma visão hierárquica (Treeview) a partir do registro corrente

Ajuda X

CURSO
Título	Deep Learning: Teoria e Prática
Unidade	FACULDADE DE TECNOLOGIA
Departamento	DEPARTAMENTO DE MATEMATICA, FÍSICA E COMPUTAÇÃO
Modalidade	Treinamento e Qualificação Profissional
Carga Horária do Curso	40
Objetivos	O objetivo deste curso é introduzir os conceitos teóricos e práticos de Deep Learning (Aprendizagem profunda) e redes neurais artificiais até o nível intermediário. O nosso foco neste curso é aprender as diversas arquiteturas de redes neurais e as suas aplicações nas áreas diferentes tais como, visão computacional, NLP (Natural Language Processing) e Scientific Machine Learning. Pre-requisitos: conhecimento básico/intermediário em uma linguagem de programação (Ex: Python). Noção básica de estatística, cálculo e álgebra linear.
Conteúdo Programático	+Revisão do ecossistema da linguagem de programação. Ex: para Python - Biblioteca Numpy - Biblioteca Pandas - Biblioteca Matplotlib e Plotly +Google Colab - Introdução ao Google Colab, como usar uma GPU ou TPU gratuitamente +Feedforward Neural Networks - Propagação para frente - Funções de ativação - Funções de perda (Loss Functions) - Algoritmos de Gradient Descent (SGD, ADAM) - Classificação multiclasse - Classificação de imagens - Regressão usando redes neurais - Ajustar os hiperparâmetros +Redes Neurais Convolucionais (CNN) - O que é Convolução? - Convolução em imagens coloridas - Arquitetura CNN - Aumento de dados - Hand-on: CNN para MNIST de moda - Batch Normalization - YOLO +Redes Neurais Recorrentes (RNN) - Dados de sequência - Previsão - Modelo linear autorregressivo para previsão de séries temporais - Redes Neurais Recorrentes - RNN para previsão de séries temporais - GRU e LSTM - RNN para Classificação de Imagens - Hand-on: Previsões de retorno de ações usando LSTMs +Transferência de Aprendizagem para Visão Computacional +GANs (Redes Adversárias Generativas) +Physics-Informed Neural Networks (PINNs)
Metodologia	O objetivo deste curso é estimular os alunos a um equilíbrio de diversas etapas no desenvolvimento de modelos preditivos, conciliando a aplicação dos conceitos matemáticos, com a implementação de algoritmos e finalizando através da aplicação em problemas reais. Para alcançar esse objetivo, será adotada a metodologia ativa nas aulas, ou seja, o aluno irá implementar as ideias junto com o professor. Nessa forma, o aluno desenvolverá melhor a percepção nos detalhes dos algoritmos e as técnicas de modelagem preditivas. Após a construção da fundamentação matemática de cada modelo de decisão, serão apresentadas as bibliotecas gratuitas disponíveis na “web” para modelagem, utilizando linguagens como exemplo: Python, Julia ou R para implementar os algoritmos. Entender o funcionamento de um algoritmo é muito importante para saber onde e como usar, e quais são as suas vantagens e desvantagens. A proposta será iniciar a qualificação construindo modelos para datasets simples e evoluindo gradativamente para modelos mais sofisticados e complexos. Em paralelo ao desenvolvimento do curso, será apresentado aos alunos a plataforma “Kaggle”, por ser uma referência no mundo de machine learning, esta plataforma auxiliará os estudantes a buscar novos bancos de dados, além de participar de campeonatos e desafios, incentivando a continuidade da aprendizagem, e encerrando a proposta de aplicação, como planejado. AVALIAÇÃO: Para avaliar o conhecimento dos alunos, será exigido a entrega individual de um estudo final. Nesta atividade o aluno deverá utilizar as técnicas estudadas durante o curso para construir modelos preditivos com base em um modelo de dataset escolhido. A presença nas aulas também será obrigatória e será considerada na avaliação final. Para avaliação do docente e do curso, será distribuído um formulário eletrônico no final do curso para que os alunos possam opinar sobre a metodologia, o conteúdo das aulas e a didática do professor, além de sugestões.