Fundamentos de PyTorch

Iniciante
Intermédio
Cientista de Dados
Programador
Estudante
Machine Learning

Aprenda os fundamentos da aprendizagem profunda com PyTorch! Este caminho de aprendizagem amigável para principiantes introduzirá conceitos-chave para a construção de modelos de aprendizagem automática em vários domínios incluem a fala, visão e processamento de linguagem natural.

Pré-requisitos

  • Conhecimentos básicos do Python
  • Conhecimento básico sobre como usar cadernos Jupyter
  • Compreensão básica da aprendizagem automática

Módulos neste percurso de aprendizagem

Aprenda conceitos-chave usados para construir modelos de aprendizagem automática com PyTorch. Vamos treinar uma rede neural modelo que reconhece e classifica imagens.

Vamos aprender sobre diferentes tarefas de visão computacional e focar-nos na classificação de imagem, aprendendo a usar redes neurais para classificar dígitos manuscritos, bem como algumas imagens do mundo real, como fotografias de gatos e cães. Vamos usar um dos quadros de aprendizagem profunda mais populares, PyTorch!

Neste módulo, vamos explorar diferentes arquiteturas de rede neural para lidar com textos de linguagem natural. Nos últimos anos, o Processamento de Linguagem Natural (NLP) tem experimentado um rápido crescimento principalmente devido ao desempenho da capacidade dos modelos linguísticos de "compreender" com precisão a linguagem humana mais rapidamente, utilizando formação não supervisionada em grandes corporas de texto. Vamos aprender sobre diferentes técnicas NLP, tais como o uso de sacos de palavras (BoW), incorporações de palavras e redes neuronais recorrentes para classificar texto de manchetes de notícias para uma das 4 categorias (World, Sports, Business e Sci-Tech).

Neste módulo Learn, aprende-se a fazer classificação áudio com PyTorch. Você vai entender mais sobre recursos de dados áudio e como transformar os sinais sonoros em uma representação visual chamada espectrogramas. Em seguida, você vai construir o modelo usando a visão computorizada nas imagens do espectrograma. Isso mesmo, podes transformar o áudio num formato de imagem, e depois fazer visão computacional para classificar a palavra falada!