Deep Learning do Zero ao Impossível: Qual o caminho?
•
3 gostaram•380 visualizações
Aprender Deep Learning pode ser confuso e muitas vezes muito frustrante. Nesta palestra, pretendemos definir um roteiro para ir do nada à fluência em Deep Learning da maneira mais rápida possível. Destacaremos cursos, frameworks, matemática envolvida, métodos e estratégias para você começar e lhe apontar o caminho para ser capaz de usar o Deep Learning para resolução de problemas do mundo real.
Recomendados
Recomendados
Mais conteúdo relacionado
Semelhante a Deep Learning do Zero ao Impossível: Qual o caminho?
Semelhante a Deep Learning do Zero ao Impossível: Qual o caminho? (20)
Mais de Sandro Moreira
Mais de Sandro Moreira (8)
Deep Learning do Zero ao Impossível: Qual o caminho?
- 1. Sandro Moreira, GDG Rio Verde @sandro_moreira Deep Learning do Zero ao Impossível: Qual o caminho?
- 2. Sobre mim • Organizador do GDG Rio Verde • Professor Universidade de Rio Verde • Mestre em Engenharia Mecânica (UNESP) • Doutorando em Ciência da Computação (UFG) • Pesquisas com Deep Learning aplicadas ao auxílio no diagnóstico de doenças cardíacas (DeepCardio)
- 3. Questões… • Por onde eu começo? • Qual a melhor maneira de aprender Deep Learning? • Machine Learning e Deep Learning são a mesma coisa? • Eu preciso saber tudo de matemática para aprender? • Vou ter que aprender a linguagem X?
- 4. Respostas começam com mais perguntas: • Quanto você já sabe sobre Inteligência Artificial? • Em que você planeja utilizar Deep Learning?
- 5. Até onde você quer chegar?
- 6. Níveis de proficiência em Deep Learning 1. Usar redes neurais com modelos conhecidos em projetos 2. Customizar um modelo ou criar seu próprio modelo do zero usando técnicas já conhecidas 3. Propor novos métodos, técnicas e arquiteturas de DL aplicadas a resolução de um problema especifico
- 7. O que é Deep Learning? O que a maioria das pessoas pensa O que a mídia pensa
- 9. Crescimento do Deep Learning nos projetos Google
- 10. O que podemos fazer com Deep Learning?
- 12. O que podemos fazer com Deep Learning? Reconhecimento de Pessoas
- 13. O que podemos fazer com Deep Learning? Reconhecimento de padrões em imagens médicas
- 14. O que podemos fazer com Deep Learning? Veículos autônomos
- 15. O que podemos fazer com Deep Learning? Replicação de Estilos
- 16. O que podemos fazer com Deep Learning? Veículos autônomos
- 17. O que podemos fazer com Deep Learning? • Geração de sons • Colorir imagens preto/branco • Gerar textos automáticos • Compor músicas • Tradução, inclusive em tempo real • Geração de Rostos • Leitura Labial • Etc, etc, etc
- 18. Como um modelo DL funciona?
- 20. Dados de Entrada • Podem ser simplesmente números • Imagens (3 Canais) • Áudio • 3D Imagens • Sequências (Textos, Palavras) • Speech • Imagens (Vídeos, gifs) • Programas
- 21. Exemplos de Arquiteturas de Deep Learning
- 22. Modelos de Redes Neurais • Fully Connected Networks • Convolutional Networks • Recurrent Networks
- 23. Ok, mas… Por onde eu começo então?
- 24. Matemática para Machine Learning/Deep Learning • Álgebra • Variáveis, Coeficientes e Funções • Equações Lineares • Logaritmo • Funções Sigmóides • Álgebra Linear • Tensor • Matrizes • Convolução • Trigonometria • Estatística • Cálculo • Conceitos de derivada • Gradiente • Derivadas Parciais • Regra da Cadeia
- 25. Linguagens de Programação • Existem diversos frameworks e bibliotecas para um grande número de linguagens como R, C#, Julia, etc • Python é a atualmente uma das mais utilizadas • Bibliotecas Numpy, Pandas, SKLearn, SciPy • Jupiter Notebooks
- 26. Ambiente de Desenvolvimento + Frameworks
- 27. API Keras • Roda sobre frameworks TensorFlow, CNTK, Theano • API de alto nível oficial do TensorFlow • Modelos treinados e pré-treinados para experimentos • Simplificação de criação de camadas de neurônios, funções, otimizadores, etc
- 28. Exemplo de Rede Neural em TensorFlow import tensorflow as tf #parametros learning_rate = 0.01 training_epochs = 5000 display_steps = 100 n_input = 10 n_hidden = 20 n_output = 10 #a partir daqui construimos o modelo X = tf.placeholder("float",[None,n_input]) Y = tf.placeholder("float",[None,n_output]) weights = { "hidden": tf.Variable(tf.random_normal([n_input,n_hidden])), "output": tf.Variable(tf.random_normal([n_hidden,n_output])), } bias = { "hidden": tf.Variable(tf.random_normal([n_hidden])), "output": tf.Variable(tf.random_normal([n_output])), } def model(X, weights, bias): layer1 = tf.add(tf.matmul(X, weights["hidden"]),bias["hidden"]) layer1 = tf.nn.relu(layer1) output_layer = tf.matmul(layer1,weights["output"]) + bias["output"] return output_layer pred = model(X,weights,bias) cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=Y)) optimizador = tf.train.AdamOptimizer(learning_rate).minimize(cost) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for epochs in range(training_epochs): _, c= sess.run([optimizador,cost],feed_dict = {X: train_X, Y: train_Y}) if(epochs + 1) % display_steps == 0: print("Epoch:",epochs+1,"Cost:", c) print("Optimization Finished") test_result = sess.run(pred,feed_dict = {X: train_X}) correct_prediction = tf.equal(tf.argmax(test_result, 1),tf.argmax(train_Y,1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
- 29. Exemplo de Rede Neural em Keras
- 30. Demo
- 32. Cursos On Line • Machine Learning Crash Course (Google) - Conceitos essenciais de Machine Learning • Coursera • Neural Networks and Deep Learning • Udacity • Deep Learning Nanodegree
- 33. Links Recomendados • https://ai.google • http://playground.tensorflow.org • https://www.tensorflow.org/guide • https://keras.io • http://deeplearning.stanford.edu/tutorial • http://www.deeplearningbrasil.com.br https://www.youtube.com/channel/UCnYATTd1RoLQryTqhySI6DQ
- 35. Obrigado! Sandro Moreira, GDG Rio Verde @sandro_moreira