Introdução à Aprendizagem Profunda
A aprendizagem profunda é um subcampo da aprendizagem de máquina que se concentra em aprender representações de características complexas e hierárquicas a partir de dados brutos usando redes neurais artificiais. O curso aborda princípios fundamentais, matemática subjacente, conceitos de otimização (descida do gradiente, retropropagação), módulos de rede (camadas lineares, convolucionais, de pooling) e arquiteturas comuns (CNNs, RNNs). São demonstradas aplicações em visão computacional, processamento de linguagem natural e aprendizado por reforço. Os alunos utilizarão a biblioteca de aprendizagem profunda PyTorch para implementação e concluirão um projeto final em uma situação do mundo real.
Visão Geral do Curso
Resumo do Conteúdo
A aprendizagem profunda é um subcampo da aprendizagem de máquina que se concentra em aprender representações de características complexas e hierárquicas a partir de dados brutos usando redes neurais artificiais. O curso aborda princípios fundamentais, matemática subjacente, conceitos de otimização (descida do gradiente, retropropagação), módulos de rede (camadas lineares, convolucionais, de pooling) e arquiteturas comuns (CNNs, RNNs). Aplicações demonstradas incluem visão computacional, processamento de linguagem natural e aprendizado por reforço. Os alunos utilizarão a biblioteca de aprendizagem profunda PyTorch para implementação e concluirão um projeto final em um cenário do mundo real.
Um resumo breve dos objetivos principais: dominar a teoria da aprendizagem profunda, implementar modelos usando o PyTorch, compreender arquiteturas especializadas (CNNs, RNNs, Transformers) e aplicar esses conceitos à visão computacional, NLP e tomada de decisões sequenciais.
Objetivos de Aprendizagem
- Explicar as fundações matemáticas e técnicas centrais de otimização (Descida do Gradiente, Retropropagação) necessárias para treinar redes neurais profundas.
- Utilizar o framework de aprendizagem profunda PyTorch para implementar, treinar e depurar arquiteturas modernas de forma eficiente, usando aceleração CUDA e técnicas eficientes de manipulação de dados.
- Projetar e analisar arquiteturas especializadas, incluindo Redes Neurais Convolucionais (CNNs) para dados de imagem e o modelo Transformer para dependências sequenciais.
- Aplicar técnicas de aprendizagem profunda para resolver problemas práticos em domínios centrais de aplicação: Visão Computacional, Processamento de Linguagem Natural e Aprendizado por Reforço.
- Avaliar modelos com base em robustez, interpretabilidade e equidade ética, comparando as vantagens de diversos paradigmas avançados (por exemplo, Modelos Gerativos, Aprendizado Semi-Supervisionado).