INTELIGÊNCIA ARTIFICIAL (IA) – GERAÇÃO DE MODELOS
- inteligência artificial, Inteligência Artificial, New, PRO
- 0 (Registered)
A formação Inteligência Artificial (IA) – Geração de Modelos destina‑se a profissionais interessados em utilizar modelos performantes e em adaptar ou criar modelos com base em boas práticas. Ao longo de 2 dias (14 horas), os participantes consolidam os fundamentos de IA/ML/DL, exploram ferramentas como Keras/TensorFlow e PyTorch, e aprofundam temas essenciais como retropropagação, descida do gradiente, funções de erro e otimizadores (SGD, RMSprop, Adam). A formação inclui ainda a exploração e colocação em produção de modelos com TensorFlow Hub/Serving e TF Lite, bem como análise de desafios como vanishing gradient e problemas de arquitetura, suportada por exercícios práticos orientados à aplicação.
- Identificar os modelos pertinentes de acordo com os casos práticos
- Identificar as ferramentas e métodos para melhorar modelos existentes e criar novos modelos
- Descrever os conceitos de Machine Learning e a evolução para o Deep Learning (redes neuronais profundas)
- Reconhecer os blocos fundamentais do Deep Learning: redes neuronais simples, convolutivas e recorrentes
- Distinguir modelos mais avançados: auto‑encoders, GANs e aprendizagem por reforço
Definições e posicionamento: IA, Deep Learning e Machine Learning
• Contributos do Deep Learning, estado da arte
• Ferramentas disponíveis
• Exemplos de projetos
• Domínios de aplicação
• Apresentação da DeepMind
Ferramentas de Deep Learning de alto nível:
• Keras / TensorFlow
• Caffe / PyTorch
• Lasagne
Exemplos de exercícios práticos
• Implementação em cloud AutoML: linguagem natural, tradução, reconhecimento de imagens
Convergência de redes neuronais
• Compreender a retropropagação do erro e a convergência
• Compreender a descida do gradiente
• Funções de erro:
• MSE
• BinaryCrossentropy
• Les optimiseurs SGD
• RMSprop
• Adam
• Definições:
• Couche
• Epochs
• Batch size
• Itérations
• Loss
• Learning rate
• Momentum
• Otimizar um treino através da divisão em treinos pouco profundos
• Compreender o princípio dos hiperparâmetros
• Escolha dos hiperparâmetros
Exemplos de exercícios práticos
• Construir uma rede capaz de reconhecer uma curva
Modelos avançados: Auto‑encoders, GANs e Aprendizagem por reforço
• Representações dos dados
• Ruído
• Camadas de codificação
• Codificação inteira
• One‑hot
• Embedding layer
• Noção de auto‑encoder
• Auto-encoders empilhados
• Convolutivos
• Recorrentes
• Compreender as redes generativas adversariais (GANs) e os seus limites de convergência
• Aprendizagem por transferência
• Evoluções para GRU (Gated Recurrent Units) e LSTM (Long Short Term Memory)
• Tratamento NLP
• Codificação de caracteres e palavras
• Tradução
Exemplos de exercícios práticos
• Treino de um auto‑encoder variacional sobre um conjunto de imagens
Exploração e criação de modelos
• Preparação dos dados
• Regularização
• Normalização
• Extração de características
• Otimização da política de aprendizagem
• Exploração dos modelos
• Colocação em produção dos modelos
• TensorFlow Hub
• Serving
• Visualizar as reconstruções
Exemplos de exercícios práticos
• Implementação de um servidor de modelos e de uma aplicação TF Lite
Compreender os pontos fortes e os limites destas ferramentas
• Evidenciar problemas de convergência e de vanishing gradient
• Erros de arquitetura
• Como distribuir uma rede neuronal
• Limites do Deep Learning: imitar / criar
• Casos concretos de utilização
• Introdução às máquinas quânticas
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré‑requisitos e necessidades dos participantes.
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Objetivos da formação
- Identificar os modelos pertinentes de acordo com os casos práticos
- Identificar as ferramentas e métodos para melhorar modelos existentes e criar novos modelos
- Descrever os conceitos de Machine Learning e a evolução para o Deep Learning (redes neuronais profundas)
- Reconhecer os blocos fundamentais do Deep Learning: redes neuronais simples, convolutivas e recorrentes
- Distinguir modelos mais avançados: auto‑encoders, GANs e aprendizagem por reforço
Duração da formação
Programa da formação
Definições e posicionamento: IA, Deep Learning e Machine Learning
• Contributos do Deep Learning, estado da arte
• Ferramentas disponíveis
• Exemplos de projetos
• Domínios de aplicação
• Apresentação da DeepMind
Ferramentas de Deep Learning de alto nível:
• Keras / TensorFlow
• Caffe / PyTorch
• Lasagne
Exemplos de exercícios práticos
• Implementação em cloud AutoML: linguagem natural, tradução, reconhecimento de imagens
Convergência de redes neuronais
• Compreender a retropropagação do erro e a convergência
• Compreender a descida do gradiente
• Funções de erro:
• MSE
• BinaryCrossentropy
• Les optimiseurs SGD
• RMSprop
• Adam
• Definições:
• Couche
• Epochs
• Batch size
• Itérations
• Loss
• Learning rate
• Momentum
• Otimizar um treino através da divisão em treinos pouco profundos
• Compreender o princípio dos hiperparâmetros
• Escolha dos hiperparâmetros
Exemplos de exercícios práticos
• Construir uma rede capaz de reconhecer uma curva
Modelos avançados: Auto‑encoders, GANs e Aprendizagem por reforço
• Representações dos dados
• Ruído
• Camadas de codificação
• Codificação inteira
• One‑hot
• Embedding layer
• Noção de auto‑encoder
• Auto-encoders empilhados
• Convolutivos
• Recorrentes
• Compreender as redes generativas adversariais (GANs) e os seus limites de convergência
• Aprendizagem por transferência
• Evoluções para GRU (Gated Recurrent Units) e LSTM (Long Short Term Memory)
• Tratamento NLP
• Codificação de caracteres e palavras
• Tradução
Exemplos de exercícios práticos
• Treino de um auto‑encoder variacional sobre um conjunto de imagens
Exploração e criação de modelos
• Preparação dos dados
• Regularização
• Normalização
• Extração de características
• Otimização da política de aprendizagem
• Exploração dos modelos
• Colocação em produção dos modelos
• TensorFlow Hub
• Serving
• Visualizar as reconstruções
Exemplos de exercícios práticos
• Implementação de um servidor de modelos e de uma aplicação TF Lite
Compreender os pontos fortes e os limites destas ferramentas
• Evidenciar problemas de convergência e de vanishing gradient
• Erros de arquitetura
• Como distribuir uma rede neuronal
• Limites do Deep Learning: imitar / criar
• Casos concretos de utilização
• Introdução às máquinas quânticas
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré‑requisitos e necessidades dos participantes.
Formador
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Clique na imagem para expandir
Os nossos espaços de formação oferecem todas as condições para continuar o seu desenvolvimento pessoal e profissional em absoluta segurança
Não se esqueça de subscrever o blog RhBizz e de nos seguir no LindekIn, Facebook, Instagram e Youtube.
