TensorFlow e Deep Learning Com Python

O documento apresenta um curso sobre machine learning e deep learning com TensorFlow. O curso é dividido em sete partes, abordando tópicos como regressão, classificação, redes neurais artificiais, redes neurais convolucionais e recorrentes, autoencoders e redes adversariais generativas. O curso requer conhecimentos básicos de Python e sobre machine learning.

Enviado por

Amaury Dudcoschi Junior

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

0% acharam este documento útil (0 voto)

397 visualizações22 páginas

TensorFlow e Deep Learning Com Python

Enviado por

Amaury Dudcoschi Junior

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

Você está na página 1/ 22

TensorFlow: Machine Learning e Deep Learning com Python

Jones Granatyr
Introdução

Deep Learning, TensorFlow, Anaconda, Spyder e Jupyter

Parte 1 – Introdução prática ao TensorFlow Parte 2 – Regressão e classificação

Parte 3 – Redes Neurais Artificiais Parte 4 – Redes Neurais Convolucionais

Classificação e regressão Visão computacional

Parte 5 – Redes Neurais Recorrentes Parte 6 – Autoencoders

Séries temporais Redução de dimensionalidade

Parte 7 – Redes Adversariais Generativas

Geração automática de imagens

Redes adversariais generativas
Autoencoder
Redes neurais recorrentes
Redes neurais convolucionais
Redes neurais artificiais
Pré-requisitos
• Conhecimento sobre lógica de programação, principalmente
estruturas condicionais e de repetição
• Conhecimentos básicos em Python são desejáveis, embora seja
possível acompanhar o curso sem saber essa linguagem com
profundidade
• São necessários conhecimentos básicos sobre instalação de
softwares (bibliotecas)
• Machine learning e redes neurais: desejável
O que não veremos
• Interface gráfica
• Implementar “todos” os exemplos
• Teoria muito detalhada

• Dica: aumentar a velocidade do player!

Introdução ao TensorFlow
• Biblioteca de código aberto para computação numérica
• Desenvolvido pelos engenheiros e pesquisadores do Google Brain
• Inclui o XLA que é um compilador de álgebra linear para execução em CPUs,
GPUs e TPUs
• Considerada a biblioteca mais eficiente para Deep Learning
• www.tensorflow.org
Algumas aplicações
• Sistemas de tradução
• Entendimento do contexto de mensagens do Gmail
• Diagnóstico de diabetes
• Geração de músicas e filmes
• Descoberta de cura para doenças
• Carros autônomos

• Vídeo: TensorFlow: aprendizado de máquina para todos

• https://www.youtube.com/watch?time_continue=77&v=mWl45NkFBOc
TensorFlow API

• Low level x High level API

https://www.tensorflow.org/guide
Conceitos
• Escalar
5
• Vetor
[1 2 3]
• Matriz
[1 2 3]
[4 5 6]
• Tensor
Fonte: https://juliocprocha.wordpress.com/2017/08/28/uma-introducao-ao-tensorflow-e-suas-operacoes-basicas/

• Um escalar, um vetor, uma matriz bidimensional, uma matriz 3D (ou com

maiores dimensões)
Fonte: https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/ch09.html
Fonte: https://medium.com/learning-machine-learning/introduction-to-tensorflow-estimators-part-1-39f9eb666bc7
Fonte: https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html
Normalização (Normalization) Idade Renda Idade Renda
anual anual
60 30.000 0,80 0,03
! − $í&'$((!) 35 45.000 0,30 1,00
!=
$á!'$( ! − $í&'$((!) 20 29.500 0,00 0,00

60 − 20 30.000 − 29.500
!= = 1,00 ! = = 0,03
60 − 20 45.000 − 29.500
35 − 20 45.000 − 29.500
!= = 0,37 ! = = 1,00
60 − 20 45.000 − 29.500
20 − 20 29.500 − 29.500
!= = 0,00 ! = = 0,00
60 − 20 45.000 − 29.500
Padronização (Standardization) Idade Renda Idade Renda
anual anual
60 30.000 1,07 -0,54
! − 0é234(!)
!= 35 45.000 -0,16 1,15
27893: ;42<ã:(!) 20 29.500 -0,90 -0,60
Idade Renda
Média = 38,33 Média = 34.833,33
Desvio padrão = 20,20 Desvio padrão = 8.808,14