Curso de Deep Learning (pt, free)

Junte-se a mais de 3.000 pessoas

Entre para nossa lista e receba conteúdos exclusivos sobre Data Science

Sobre o curso

A curso de Intro to Deep Learning aborda aspectos fundamentais de redes neurais, desde o modelo básico do perceptron, até modelo generativos. Seguindo uma linha de tempo histórica das redes neurais os conceitos vão sendo introduzidos a medida do necessário para entendimento da evolução dessa área.

O modelos baseados em deep learning podem ser aplicados a problemas de reconhecimento de objetos, reconhecimento de voz, síntese de fala, previsão, computação científica, controle e muito mais. As aplicações resultantes desses modelos tem afetando as nossas vidas em áreas como assistência médica e pesquisa médica, interação homem-computador, comunicação, transporte, conservação, manufatura e muitos outros campos do esforço humano. Em reconhecimento a esse enorme impacto, o Prêmio Turing de 2018, a maior honra em computação, foi concedido aos pioneiros do Deep Learning.

O curso é baseado, com algumas modificações, nos originais do prof Dr. Sebastian Raschka e podem ser encontrados em http://pages.stat.wisc.edu/~sraschka/….

Ambos os materiais (original prof Sebastian e adaptado prof Dalcimar) possuem licença modelo MIT, disponivel no Github.

Contato

Esse curso é lecionado no Programa de Pós Graduação em Engenharia Elétrica (PPGEE) da UTFPR, campus Pato Branco.

Os slides do curso códigos exemplos estão disponíveis em: https://github.com/dalcimar/RC18EE—…

Bio do Orador: Dalcimar Casanova é pesquisador na UTFPR – Universidade Tecnológica Federal do Paraná, com foco em aplicações de métodos inteligentes em diferentes áreas do conhecimento. Seus principais interesses são aprendizado de máquina, deep learning, grafos convolucionais, visão computacional, redes complexas e fractais.

É também membro do PPGEE, I2A e sócio da empresa VisAI. http://www.dalcimar.com http://www.visai.com.br http://sites.google.com/view/ppgee-pb

Licença de uso do conteúdo.

O conteúdo do Portal ABRACD.org foi escrito sob a licença Creative Commons BY-SA 3.0. Você pode usar e compartilhar este conteúdo desde que credite o autor e veículo original do mesmo.