Introdução à aprendizagem profunda com PyTorch
Aprenda a criar sua primeira rede neural, ajustar hiperparâmetros e resolver problemas no PyTorch.
Comece O Curso Gratuitamente4 horas16 vídeos48 exercícios31.216 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Entendendo o poder da aprendizagem profunda
A aprendizagem profunda está em toda parte: em câmeras de smartphones, assistentes de voz e carros autônomos. Ele até ajudou a descobrir estruturas de proteínas e a vencer os humanos no jogo de Go. Neste curso, você descobrirá essa tecnologia avançada e aprenderá a aproveitá-la usando o PyTorch, uma das bibliotecas de aprendizagem profunda mais populares.Treine sua primeira rede neural
Primeiro, você deve abordar a diferença entre a aprendizagem profunda e a aprendizagem automática "clássica". Você aprenderá sobre o processo de treinamento de uma rede neural e como escrever um loop de treinamento. Para isso, você criará funções de perda para problemas de regressão e classificação e aproveitará o PyTorch para calcular suas derivadas.Avalie e aprimore seu modelo
Na segunda parte, aprenda os diferentes hiperparâmetros que você pode ajustar para aprimorar seu modelo. Depois de aprender sobre os diferentes componentes de uma rede neural, você poderá criar arquiteturas maiores e mais complexas. Para medir o desempenho do seu modelo, você usará o TorchMetrics, uma biblioteca PyTorch para avaliação de modelos. Ao final deste curso, você poderá aproveitar o PyTorch para resolver problemas de classificação e regressão em dados tabulares e de imagem usando a aprendizagem profunda. Um recurso vital para profissionais de dados experientes que desejam avançar em suas carreiras.Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para cientistas de dados
Ir para a trilhaAprendizagem profunda em Python
Ir para a trilhaDesenvolvimento de modelos de idiomas grandes
Ir para a trilha- 1
Introdução ao PyTorch, uma biblioteca de aprendizagem profunda
GratuitoCarros autônomos, smartphones, mecanismos de busca... A aprendizagem profunda está agora em toda parte. Antes de começar a criar modelos complexos, você se familiarizará com o PyTorch, uma estrutura de aprendizagem profunda. Você aprenderá a manipular tensores, criar estruturas de dados do PyTorch e criar sua primeira rede neural no PyTorch.
Introdução à aprendizagem profunda com o PyTorch50 xpIntrodução aos tensores do PyTorch100 xpVerificação e adição de tensores100 xpCriando nossa primeira rede neural50 xpSua primeira rede neural100 xpEmpilhamento de camadas lineares100 xpDescoberta de funções de ativação50 xpAtive sua compreensão!50 xpAs funções sigmoide e softmax100 xp - 2
Treinando nossa primeira rede neural com o PyTorch
Para treinar uma rede neural no PyTorch, primeiro você precisa entender o trabalho de uma função de perda. Você perceberá que o treinamento de uma rede requer a minimização dessa função de perda, o que é feito por meio do cálculo de gradientes. Você aprenderá a usar esses gradientes para atualizar os parâmetros do seu modelo e, por fim, escreverá seu primeiro loop de treinamento.
Executar um passe para frente50 xpCriando um classificador binário no PyTorch100 xpDa regressão à classificação multiclasse100 xpUso de funções de perda para avaliar as previsões do modelo50 xpCriação de etiquetas codificadas com um único ponto100 xpCálculo da perda de entropia cruzada100 xpUso de derivadas para atualizar os parâmetros do modelo50 xpAcesso aos parâmetros do modelo100 xpAtualizando os pesos manualmente100 xpUsando o otimizador PyTorch100 xpEscrevendo nosso primeiro loop de treinamento50 xpUsando o site MSELoss100 xpEscrever um loop de treinamento100 xp - 3
Arquitetura de rede neural e hiperparâmetros
Os hiperparâmetros são parâmetros, geralmente escolhidos pelo usuário, que controlam o treinamento do modelo. O tipo de função de ativação, o número de camadas no modelo e a taxa de aprendizado são todos hiperparâmetros do treinamento da rede neural. Juntos, descobriremos os hiperparâmetros mais importantes de uma rede neural e como modificá-los.
Descoberta de funções de ativação entre camadas50 xpImplementando o ReLU100 xpImplementação de Re com vazamentoLU100 xpCompreensão das funções de ativação50 xpUm mergulho mais profundo na arquitetura da rede neural50 xpContagem do número de parâmetros100 xpManipulação da capacidade de uma rede100 xpTaxa de aprendizado e impulso50 xpExperimentando a taxa de aprendizado100 xpExperimentando o impulso100 xpInicialização de camadas e aprendizagem por transferência50 xpProcesso de ajuste fino100 xpCongelar camadas de um modelo100 xpInicialização da camada100 xp - 4
Avaliação e aprimoramento de modelos
Treinar um modelo de aprendizagem profunda é uma arte e, para garantir que nosso modelo seja treinado corretamente, precisamos acompanhar determinadas métricas durante o treinamento, como a perda ou a precisão. Você aprenderá a calcular essas métricas e a reduzir o excesso de ajuste usando um conjunto de dados de imagens como exemplo.
Um mergulho mais profundo no carregamento de dados50 xpUsando a classe TensorDataset100 xpDo carregamento de dados à execução de um forward pass100 xpAvaliação do desempenho do modelo50 xpEscrevendo o loop de avaliação100 xpCálculo da precisão usando a medição da tocha100 xpCombate ao ajuste excessivo50 xpExperimentando o abandono100 xpEntendendo o overfitting50 xpMelhorar o desempenho do modelo50 xpImplementação da pesquisa aleatória100 xpVídeo de encerramento50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Engenheiro associado de IA para cientistas de dados
Ir para a trilhaAprendizagem profunda em Python
Ir para a trilhaDesenvolvimento de modelos de idiomas grandes
Ir para a trilhaEm outras faixas
Fundamentos de aprendizado de máquina em PythonCientista de aprendizado de máquina em Pythoncolaboradores
Áudio Gravado por
Maham Khan
Ver MaisSenior Data Scientist, YouView TV
Thomas Hossler
Ver MaisSenior Machine Learning Engineer
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Introdução à aprendizagem profunda com PyTorch hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.