Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Nível intermediário
Aproximadamente. 26 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Lawrence Carin
James L. Meriam Professor de Engenharia Elétrica e de Computação
Engenharia Elétrica e de Computação
David Carlson
Professor Assistente de Engenharia Civil e Ambiental
Engenharia Civil e Ambiental/Bioestatística e Bioinformática
Timothy Dunn
Associado de pós -doutorado
Departamento de Ciência Estatística; Departamento de Neurocirurgia
Kevin Liang
Candidato a doutorado
Departamento de Engenharia Elétrica e de Computação – O que você aprenderá com este curso
Introdução simples ao aprendizado de máquina
O foco deste módulo é introduzir os conceitos de aprendizado de máquina com o mínimo de matemática possível. Introduziremos conceitos básicos no aprendizado de máquina, incluindo regressão logística, um método simples, mas amplamente empregado de aprendizado de máquina (ML). Também é coberto o perceptron multicamada (MLP), uma rede neural fundamental. O conceito de aprendizado profundo é discutido e também relacionado a modelos mais simples.
Noções básicas de aprendizado de modelo
Neste módulo, discutiremos a base matemática do aprendizado de redes profundas. Primeiro, trabalharemos como definimos a questão de aprender redes profundas como um problema de minimização de uma função matemática. Depois de definir nosso objetivo matemático, introduziremos métodos de validação para estimar o desempenho do mundo real das redes profundas aprendidas. Em seguida, discutiremos como a descida de gradiente, uma técnica clássica de otimização, pode ser usada para atingir esse objetivo matemático. Finalmente, discutiremos o porquê e como a descida de gradiente estocástica é usada na prática para aprender redes profundas.
Análise de imagem com redes neurais convolucionais
Esta semana abordará o treinamento do modelo, bem como o aprendizado e o ajuste fino. Além de aprender os fundamentos de uma CNN e como ela é aplicada, é fornecida uma discussão cuidadosa sobre a intuição da CNN, com o objetivo de fornecer um entendimento conceitual.
Redes neurais recorrentes para processamento de linguagem natural
Esta semana abordará a aplicação de redes neurais ao processamento de linguagem natural (PNL), de modelos neurais simples aos mais complexos. O conceito fundamental de incorporação de palavras é discutido, bem como como esses métodos são empregados no aprendizado e uso de modelos para várias aplicações de PNL. Também é discutida uma ampla gama de modelos de PNL neurais, incluindo redes neurais recorrentes e modelos de memória de curto prazo (LSTM) especificamente longos.
A rede de transformadores para processamento de linguagem natural
Nesta semana, abordaremos uma introdução à Rede de Transformer, um modelo de aprendizado de máquina profundo projetado para ser mais flexível e robusto que a Rede Neural Recorrente (RNN). Começaremos revisando vários blocos de construção de aprendizado de máquina de uma rede de transformadores: os produtos internos de vetores de palavras, mecanismos de atenção e codificadores e decodificadores de sequência para sequência. Em seguida, reuniremos todos esses componentes para explorar a rede de transformadores completa.
Introdução ao aprendizado de reforço
Esta semana abrangerá o aprendizado de reforço, um conceito fundamental no aprendizado de máquina que se preocupa em tomar ações adequadas para maximizar as recompensas em uma situação específica. Depois de aprender as etapas iniciais do aprendizado de reforço, passaremos para o aprendizado de Q, bem como o aprendizado profundo de Q. Discutiremos a diferença entre os conceitos de exploração e exploração e por que eles são importantes.