Pular para o conteúdo principal
InícioArtificial Intelligence

Introdução à aprendizagem profunda com PyTorch

Aprenda a criar sua primeira rede neural, ajustar hiperparâmetros e resolver problemas no PyTorch.

Comece O Curso Gratuitamente
4 horas16 vídeos48 exercícios31.216 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado 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.
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Engenheiro associado de IA para cientistas de dados

Ir para a trilha

Aprendizagem profunda em Python

Ir para a trilha

Desenvolvimento de modelos de idiomas grandes

Ir para a trilha
  1. 1

    Introdução ao PyTorch, uma biblioteca de aprendizagem profunda

    Gratuito

    Carros 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.

    Reproduzir Capítulo Agora
    Introdução à aprendizagem profunda com o PyTorch
    50 xp
    Introdução aos tensores do PyTorch
    100 xp
    Verificação e adição de tensores
    100 xp
    Criando nossa primeira rede neural
    50 xp
    Sua primeira rede neural
    100 xp
    Empilhamento de camadas lineares
    100 xp
    Descoberta de funções de ativação
    50 xp
    Ative sua compreensão!
    50 xp
    As funções sigmoide e softmax
    100 xp
  2. 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.

    Reproduzir Capítulo Agora
  3. 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.

    Reproduzir Capítulo Agora
  4. 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.

    Reproduzir Capítulo Agora
Para Empresas

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 trilha

Aprendizagem profunda em Python

Ir para a trilha

Desenvolvimento de modelos de idiomas grandes

Ir para a trilha

Em outras faixas

Fundamentos de aprendizado de máquina em PythonCientista de aprendizado de máquina em Python

conjuntos de dados

Water PotabilityFace Mask Dataset

colaboradores

Collaborator's avatar
Amy Peterson
Collaborator's avatar
James Chapman
Collaborator's avatar
George Boorman

Áudio Gravado por

Maham Khan's avatar
Maham Khan
Maham Khan HeadshotMaham Khan

Senior Data Scientist, YouView TV

Ver Mais

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

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.