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 iniciante
Aproximadamente. 8 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, coreano, alemão, russo, inglês, espanhol, romeno

Jong-Moon Chung
Professor, Escola de Engenharia Elétrica e Eletrônica
Diretor de Comunicação e Networking LaboratorySyllabus – O que você aprenderá com este curso
Deep Learning Products & Services
Para o curso “Deep Learning for Business”, o primeiro módulo é “Deep Learning Products & Services”, que começa com a palestra “Future Industry Evolution & Artificial Intelligence”, que explica evoluções passadas, atuais e futuras da indústria e como DL (Deep Aprendizagem) e a tecnologia de ML (aprendizado de máquina) será usada em quase todos os aspectos da futura indústria em um futuro próximo. As palestras a seguir analisam os produtos e serviços DL e ML mais quentes que estão emocionando o mundo dos negócios. Primeiro, o “Jeopardy!” O VERSÁTIL VERSÁTIL IBM WATSON é introduzido junto com seus sistemas DeepQa e Adaptwatson que usam a tecnologia DL. Em seguida, os produtos Amazon Echo e Echo Dot são introduzidos junto com o Assistente Pessoal DL baseado em Alexa Cloud, que usa a tecnologia ASR (Reconhecimento automatizado de fala) e NLU (entendimento da linguagem natural). A próxima palestra concentra -se em Lettucebot, que é um sistema DL que planta sementes de alface com fertilizante automático e controle de bicos de herbicida. Em seguida, o sistema de diagnóstico do sistema de diagnóstico de células DL baseado em visão computacional é introduzida seguida pela introdução de um sistema de DL de música clássica e sinfônica denominada Aiva (artista virtual de inteligência artificial). Como o último tópico do Módulo 1, o próximo Apple WatchOS 4 e o alto -falante HomePod que foi apresentado na WWDC da Apple (World Wide Developers Conference) é introduzido.
Negócios com aprendizado profundo e aprendizado de máquina
O segundo módulo “Negócios com aprendizado profundo e aprendizado de máquina” primeiro se concentra em várias considerações de negócios com base em mudanças a serem dadas devido à tecnologia DL (aprendizado profundo) e ML (aprendizado de máquina) na palestra “Considerações de negócios na era do aprendizado de máquina”. Na palestra a seguir, “Estratégia de negócios com aprendizado de máquina e aprendizado profundo” explica as mudanças necessárias para ter mais sucesso nos negócios e fornece um exemplo de modelagem de estratégia de negócios com base nos três estágios de preparação, modelagem de negócios e recodificação de modelos e adaptação. A próxima palestra “Por que o aprendizado profundo é popular agora?” Explica as mudanças nos sistemas recentes de tecnologia e suporte que permitem que os sistemas DL realizem com velocidade, precisão e confiabilidade surpreendentes. A última palestra “Características das empresas com DL & ML” primeiro explica as características comerciais baseadas em DL e ML com base em tipos de dados, seguidos pelas opções de implantação de DL & ML, cenário competitivo e oportunidades futuras também são introduzidas.
Sistemas de computação de aprendizado profundo e software
O terceiro módulo “Sistemas de Computação de Aprendizagem Deep e software” se concentra nos sistemas e software DL mais significativos (aprendizado profundo) e ML (aprendizado de máquina). Exceto pelo NVIDIA DGX-1, os sistemas e software DL introduzidos neste módulo não estão à venda e, portanto, podem não parecer importantes para os negócios à primeira vista. Mas, na realidade, as empresas que criaram esses sistemas e software são realmente os verdadeiros líderes da futura era dos negócios DL e ML. Portanto, este módulo apresenta o verdadeiro nível de ponta da tecnologia DL e ML. A primeira palestra apresenta o software de código aberto mais popular Tensorflow, CNTK (kit de ferramentas cognitivas), Keras, Caffe, Theano e suas características. Devido à sua influência popularmente, forte e recursos diversos, as seguintes palestras apresentam os detalhes do Google Tensorflow e Microsoft CNTK. Em seguida, o supercomputador DGX-1 da NVIDIA, que possui hardware e software DL personalizado totalmente integrado, é introduzido. Nas palestras a seguir, a concorrência mais interessante de máquina humana versus é introduzida na palestra do Google Alphago e na palestra ILSVRC (Imagenet Large Scale Reconhecimento Visual), os resultados da concorrência entre os sistemas DL de ponta é introduzida e o desempenho vencedor para cada ano é comparado.
Noções básicas de redes neurais de aprendizado profundo
O módulo “básico das redes neurais de aprendizado profundo” se concentra primeiro em explicar as diferenças técnicas da IA ​​(inteligência artificial), ML (aprendizado de máquina) e DL (aprendizado profundo) na primeira palestra intitulada “O que é DL (aprendizado profundo) e ML (aprendizado de máquina). ” Além disso, são introduzidas as características das CPUs (unidades de processamento central) e GPUs (unidades de processamento gráfico) usadas no DL, bem como nas unidades representativas de desempenho do computador dos flops (operações de ponto flutuante por segundo) e IPS (instruções por segundo). Em seguida, na palestra NN (rede neural), o neurônio biológico (célula nervosa) e sua transferência de sinal são introduzidos seguidos por um modelo de RNA (rede neural artificial) de um neurônio com base em uma unidade lógica limite e funções de ativação de saída suave é introduzida . Em seguida, são explicadas as tecnologias NN estendidas que usam MLP (perceptron de várias camadas), Softmax e AutoEncoder. Na última palestra do módulo, a aprendizagem do NN baseada na retropropagação é introduzida junto com os tipos de métodos de aprendizado, que incluem aprendizado supervisionado, aprendizado não supervisionado, aprendizado semi-supervisionado e aprendizado de reforço.
Aprendizagem profunda com CNN & RNN
O módulo “Aprendizagem profunda com a CNN & RNN” se concentra na tecnologia CNN (Rede Neural Convolucional) e RNN (rede neural recorrente) que permitem DL (aprendizado profundo). Primeiro, as palestras introduzem como os CNNs usados ​​no reconhecimento de imagem/vídeo, sistemas de recomendação, processamento de linguagem natural e jogos (como xadrez e GO) são possíveis através do processamento na camada convolucional e mapas de recursos. A palestra também apresenta como os CNNs usam a subamostragem (pool), LCN (normalização de contraste local), abandono, conjunto e tecnologia de ensacamento para se tornarem mais eficientes, confiáveis, robustos e precisos. Em seguida, as palestras introduzem como o DL com o RNN é usado no reconhecimento de fala (como no Siri da Apple, na pesquisa de voz do Google e na voz s da Samsung), reconhecimento de manuscrito, análise de dados de sequência e geração de código de programa. Em seguida, são introduzidos os detalhes das tecnologias RNN, que incluem aprendizado de S2S (sequência à sequência), RNN para frente, RNN para trás, técnicas de representação, projeção baseada em contexto e representação com atenção. Como a última parte do módulo, o modelo inicial do RNN, que é o FRNN (NN totalmente recorrente) e o modelo RNN atualmente popular LSTM (memória de curto prazo) é introduzida.
Projeto Deep Learning com Tensorflow Playground
O módulo “Projeto Deep Learning With Tensorflow Playground” concentra -se em quatro projetos de design de NN (Rede Neural), onde a experiência no design de NNs DL (Deep Learning) pode ser obtida usando um aplicativo divertido e poderoso chamado Tensorflow Playground. As palestras ensinam primeiro a usar o Playground Tensorflow, que é seguido de orientação em três projetos, para que você possa facilmente criar experiência no uso do sistema de playground Tensorflow. Então, no Projeto 4, é apresentado um “DL NN Design Challenge”, onde você precisará tornar o NN “mais profundo” adicionando camadas e neurônios ocultos para satisfazer os objetivos de classificação. O conhecimento que você obteve na palestra dos módulos 1 ~ 5 será usado nesses projetos.