O documento apresenta uma introdução ao deep learning, abordando desde questões fundamentais sobre aprendizado até suas aplicações práticas, como reconhecimento de padrões e veículos autônomos. O autor, Sandro Moreira, discute níveis de proficiência e fornece recursos e exemplos para o aprendizado, incluindo linguagens de programação e bibliotecas úteis. Além disso, são sugeridos cursos online e livros recomendados para aprofundamento no tema.

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?

19. Como tudo 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

34. Livros Recomendados
https://www.pyimagesearch.com/2018/03/05/7-best-deep-learning-books-reading-right-now/

35. Obrigado!
Sandro Moreira, GDG Rio Verde
@sandro_moreira