![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Curso de aprendizado de máquina para iniciantes (partes 1-5)
Curso de aprendizado de máquina para iniciantes
00:00:00 - 01:00:00 Neste vídeo do YouTube em um curso para iniciantes em aprendizado de máquina, o instrutor explica os fundamentos dos algoritmos de aprendizado de máquina e suas aplicações no mundo real, abrangendo aspectos teóricos e práticos. O curso leva os alunos dos fundamentos do aprendizado de máquina a algoritmos como regressão linear, regressão logística, análise de componentes principais e aprendizado não supervisionado. O vídeo também discute sobreajuste, subajuste e conjuntos de dados de treinamento/teste. O instrutor enfatiza a importância de entender como desenvolver funções que permitem que algoritmos de aprendizado de máquina analisem dados para criar previsões. Ao final, ele apresenta o algoritmo de descida de gradiente para otimizar as funções de custo usadas para avaliar o desempenho.
01:00:00 - 02:00:00 Este curso de aprendizado de máquina para iniciantes abrange uma variedade de tópicos essenciais em aprendizado de máquina para novos alunos. O instrutor explica a vetorização da derivada parcial de teta em regressão linear, equação normal, suposições de regressão linear e a diferença entre recursos independentes e dependentes. O curso também inclui regressão logística e tarefas de classificação, ensinando a hipótese de regressão logística, função de custo e descida de gradiente, bem como o código de vetorização para a função de custo e descida de gradiente. Além disso, o curso apresenta bibliotecas Python, técnicas de análise de dados, construção de modelos e verificação de precisão usando regressão linear. O instrutor também aborda as técnicas de regularização e sua importância no aprendizado de máquina para evitar o overfitting. O curso abrange a regressão de cume e laço, que penaliza os pesos dos recursos menos importantes, tornando-os mais próximos de zero ou eliminando-os completamente
. 02:00:00 - 03:00:00 O "Curso de Aprendizado de Máquina para Iniciantes" abrange vários tópicos como técnicas de regularização, máquinas de vetores de suporte (SVM), classificação não linear e exploração de dados. O curso fornece uma introdução aos SVMs e explica como eles constroem hiperplanos com margens máximas para fazer previsões enquanto classificam pontos de dados. O conceito de margem rígida e classificação de margem flexível no SVM, juntamente com suas diferenças, também é abordado. O curso também inclui um projeto de previsão de preços de ações usando bibliotecas Python e explora métricas de avaliação, como Erro Quadrado Médio, Erro Quadrado Médio Raiz e quadrado R2 para o modelo de regressão linear. Modelos lineares regularizados, como Ridge e Lasso, também são explicados em detalhes, juntamente com a demonstração da criação de um aplicativo simples usando o Flask.
03:00:00 - 04:00:00 O vídeo "Curso de Machine Learning para Iniciantes" aborda vários tópicos relacionados ao aprendizado de máquina, como configuração de servidor e site usando Flask, análise de componentes principais (PCA), bias e variance trade -offs, modelos de regressão e instruções if-else aninhadas. Os instrutores enfatizam a importância de entender os conceitos de aprendizado de máquina e pré-processamento de dados para dados de texto e imagem em cenários do mundo real e fornecem exemplos práticos de como trabalhar com dados Iris e criar árvores de decisão simples. O vídeo também aborda tópicos como transformações lineares, autovetores e autovalores e explica como o PCA pode reduzir as dimensões dos dados enquanto preserva as informações. No geral, o vídeo fornece uma introdução abrangente para iniciantes aprenderem sobre aprendizado de máquina e seus aplicativos.
04:00:00 - 05:00:00 Este vídeo fornece uma introdução de nível iniciante às árvores de decisão, incluindo a terminologia básica, como construir árvores de decisão usando medidas de seleção de atributos como entropia, ganho de informação e impureza de Gini, e como as árvores de decisão pode ser usado para problemas de classificação e regressão. O vídeo também enfatiza a importância dos hiperparâmetros e da compreensão das árvores de decisão como um conceito crucial no aprendizado de máquina. A próxima seção discute o aprendizado de conjunto e suas três técnicas: bagging, boosting e stacking, que são comumente usadas em competições Kaggle.
05:00:00 - 06:00:00 Este vídeo do YouTube explica várias técnicas de aprendizado conjunto para melhorar a precisão do modelo de aprendizado de máquina. Uma das técnicas populares é a agregação de bagging ou bootstrap, em que vários modelos são treinados em subconjuntos de dados de treinamento e combinados para melhor desempenho com amostragem de linha usada para treinamento. O vídeo também aborda florestas aleatórias que usam árvores de decisão, ensacamento e amostragem de colunas para criar modelos poderosos. Além disso, o vídeo aborda o reforço, que é usado para reduzir o viés e melhorar a precisão do modelo, feito pela combinação aditiva de alunos fracos em um modelo forte. O instrutor fornece uma visão geral de vários tipos de boosting, como Gradient Boosting e Adaptive Boosting, para citar alguns. O vídeo termina fornecendo um conjunto de problemas no GitHub para os espectadores tentarem e incentiva os espectadores a se inscreverem em seus canais para receber mais conteúdo gratuito.
06:00:00 - 07:00:00 O vídeo "Machine Learning Course for Beginners" aborda vários tópicos relacionados ao boosting, como a ideia central por trás do boosting, diferentes técnicas de boosting (por exemplo, boosting de gradiente, boost adaptativo e boosting extremo ), o algoritmo para treinar um modelo usando boosting e como boosting pode ser usado para reduzir o viés alto em modelos de aprendizado de máquina. Além disso, o vídeo discute a implementação de algoritmos de reforço em Python usando bibliotecas como scikit-learn e mlx10. O vídeo também aborda o conceito de empilhamento, um método de combinar vários modelos para criar um novo modelo com melhor desempenho. O instrutor demonstra como criar um modelo de classificação empilhado usando regressão logística, k vizinhos mais próximos, Gaussian naive Bayes e modelos de floresta aleatórios em Python usando a biblioteca sklearn.
07:00:00 - 08:00:00 O instrutor aborda vários tópicos neste vídeo, começando com o aprendizado em conjunto e empilhamento de classificadores. Em seguida, o foco muda para o aprendizado não supervisionado e suas aplicações no agrupamento de pontos de dados. O palestrante explica diferentes tipos de algoritmos de agrupamento, incluindo baseados em centro e baseados em densidade, e fornece uma visão geral das técnicas de avaliação, como o índice de Dunn e o índice de Davies-Bouldin, para avaliar a qualidade do modelo de agrupamento. Por fim, o palestrante se aprofunda no agrupamento de k-means, incluindo inicialização, centróides, hiperparâmetros e limitações, enquanto fornece uma visualização do algoritmo com dois centróides. No geral, o vídeo abrange uma variedade de conceitos e técnicas de aprendizado de máquina, fornecendo uma introdução abrangente ao assunto.
08:00:00 - 09:00:00 Este vídeo do YouTube intitulado "Curso de aprendizado de máquina para iniciantes" abrange vários tópicos relacionados ao aprendizado de máquina. Uma seção enfoca o agrupamento k-means e explica o algoritmo em detalhes, abrangendo a inicialização de centróides, atribuição de cluster e atualização de clusters até a convergência. O vídeo também apresenta o K-means++ e o método de cotovelo como soluções para problemas enfrentados na inicialização aleatória. Além disso, outra seção investiga clustering hierárquico, explicando a criação de uma hierarquia de clusters usando métodos de clustering aglomerativo e divisivo. O vídeo conclui discutindo o projeto do modelo de previsão de insuficiência cardíaca, que visa construir um sistema de IA de assistência médica que ajudará na detecção precoce de problemas de saúde para salvar vidas.
09:00:00 - 09:50:00 O vídeo "Curso de aprendizado de máquina para iniciantes" aborda vários tópicos relacionados ao aprendizado de máquina, como dados desbalanceados, correlação, engenharia de recursos, construção e avaliação de modelos e classificação de texto usando técnicas de NLP. O instrutor enfatiza a importância de dados balanceados e da visualização dos dados para entendê-los melhor. O apresentador percorre um processo passo a passo para construir um sistema detector de spam e ham, analisando e compreendendo os dados e implementando técnicas de NLP para classificar mensagens como spam ou ham. O curso oferece uma visão geral dos conceitos essenciais sobre os quais os entusiastas do aprendizado de máquina iniciantes podem se basear.
Parte 1
Parte 2
Parte 3
Parte 4
Parte 5
Curso de aprendizado de máquina para iniciantes (partes 6-10)
Curso de aprendizado de máquina para iniciantes
Parte 6Parte 7
Parte 8
Parte 9
Parte 10
Machine Learning para Todos – Curso Completo
Machine Learning para Todos – Curso Completo
00:00:00 - 01:00:00 Esta parte do vídeo discute os fundamentos do aprendizado de máquina, incluindo aprendizado supervisionado e não supervisionado. Ele também aborda os diferentes modelos disponíveis e como usá-los. Por fim, explica como medir o desempenho de um modelo de aprendizado de máquina.
01:00:00 - 02:00:00 Esta parte explica como usar o aprendizado de máquina para prever resultados de eventos. Ele discute regressão linear, regressão logística e máquinas de vetores de suporte. Ele também explica como usar uma pesquisa de grade para treinar um modelo de aprendizado de máquina.
02:00:00 - 03:00:00 Esta parte aborda os fundamentos do aprendizado de máquina, incluindo regressão linear e retropropagação. Ele explica como normalizar dados e ajustar um modelo de regressão linear usando a biblioteca TensorFlow.
03:00:00 - 03:50:00 Este vídeo apresenta os conceitos de aprendizado de máquina, incluindo aprendizado supervisionado e não supervisionado. Ele demonstra como usar uma regressão linear e uma rede neural para fazer previsões. O apresentador também explica como usar o aprendizado de máquina para agrupar dados.
Parte 1
Parte 2
Parte 3
Parte 4
Curso rápido do TensorFlow 2.0
Curso rápido do TensorFlow 2.0
O vídeo "TensorFlow 2.0 Crash Course" aborda os conceitos básicos de redes neurais e sua arquitetura, com foco na classificação de imagens. O instrutor usa um jogo de cobra e um conjunto de dados mnist de moda como exemplos para treinar a rede neural por meio do processo de ajuste de pesos e vieses com base nas funções de perda. O vídeo mostra a importância do pré-processamento de dados e do uso de funções de ativação, como sigmoid e ReLU, para criar modelos mais complexos. O palestrante também enfatiza a importância dos dados de teste e treinamento e demonstra como carregar e modificar dados de imagem para o modelo. Por fim, o apresentador mostra como definir a arquitetura de um modelo em Keras, treiná-lo usando métodos de compilação e ajuste e fazer previsões sobre imagens específicas usando "model.predict".
A segunda parte do tutorial em vídeo aborda vários aspectos da criação de uma rede neural básica que pode classificar itens de moda e realizar análises de sentimento em resenhas de filmes. Começando com o carregamento e preparação de dados para treinamento, o tutorial explica a importância do pré-processamento de dados e da normalização dos comprimentos das sequências de entrada. O tutorial cobre a criação de uma arquitetura de modelo adequada, incluindo o uso de diferentes camadas, como incorporação e camadas densas. Por fim, o tutorial explica como ajustar hiperparâmetros, validar o modelo, salvar e carregar modelos e avaliar o desempenho do modelo em dados externos. No geral, o tutorial fornece uma estrutura essencial para construir um conhecimento de rede neural mais avançado. Também cobre diferentes tópicos relacionados ao TensorFlow 2.0, incluindo codificação de dados para o modelo, execução de um modelo salvo para previsão e instalação da versão GPU do TensorFlow 2.0 no Ubuntu Linux. Na seção de codificação, o apresentador percorre o processo de corte e limpeza de dados para garantir o mapeamento de palavras adequado e a criação de uma função de pesquisa para codificar os dados para previsão. Em seguida, eles demonstram a importância de preparar os dados de entrada no formato correto para o modelo processar, antes de passar para um tutorial sobre a instalação da versão GPU do TensorFlow 2.0 em um sistema Linux, aconselhando o público a ter paciência devido ao tamanho dos downloads envolvidos .
Python TensorFlow para aprendizado de máquina - Tutorial de classificação de texto de rede neural
Python TensorFlow para aprendizado de máquina - Tutorial de classificação de texto de rede neural
Neste tutorial do YouTube, o apresentador aborda uma variedade de tópicos relacionados ao Python TensorFlow para aprendizado de máquina e classificação de texto de rede neural. Eles começam discutindo o processo de configuração no Google Colab e a importação das bibliotecas necessárias, antes de se concentrar no conjunto de dados do Wine Reviews e usar o Matplotlib para plotar histogramas dos vários recursos. O tutorial abrange conceitos de aprendizado de máquina, incluindo aprendizado supervisionado e a diferença entre dados qualitativos e quantitativos, bem como entradas e previsões em cenários de classificação, como classificação binária e multiclasse. Outros tópicos abordados incluem funções de perda, redes neurais, funções de ativação, descida de gradiente e retropropagação, bem como a implementação de redes neurais no TensorFlow. Por fim, o apresentador implementa uma rede neural usando o TensorFlow para classificação de texto, demonstrando os benefícios do uso de pacotes e bibliotecas para aumentar a eficiência.
A segunda parte do tutorial em vídeo aborda vários aspectos do aprendizado de máquina com o TensorFlow em Python, com foco específico na classificação de texto da rede neural. O tutorial abrange a divisão de dados em conjuntos de treinamento e teste, criação de um modelo simples com TensorFlow e Keras, dimensionamento e balanceamento de conjuntos de dados, uso de redes neurais recorrentes e uso do TensorFlow Hub para classificação de texto. O tutorial enfatiza a importância de avaliar a precisão do modelo e o uso de vários componentes de rede neural, como funções de ativação, camadas de abandono e diferentes tipos de células. O tutorial termina resumindo os principais tópicos, incluindo a construção de redes neurais, o uso do TensorFlow para classificação de texto e o trabalho com dados numéricos.
Curso Completo do TensorFlow 2.0 - Tutorial de Redes Neurais Python para Iniciantes (partes 1-4)
Curso Completo do TensorFlow 2.0 - Tutorial de Redes Neurais Python para Iniciantes
00:00:00 - 01:00:00 Este vídeo apresenta uma introdução ao TensorFlow 2.0, uma biblioteca para manipulação de dados e aprendizado de máquina. O instrutor explica o que é um tensor e como usar tensores para armazenar cálculos parcialmente definidos. Ele também demonstra como usar as funções TF dot rank e TF dot reshape para controlar o número de dimensões em um tensor.
01:00:00 - 02:00:00 O tutorial em vídeo explica como usar a regressão linear para prever valores em um conjunto de dados. O conjunto de dados do Titanic é usado como exemplo. O apresentador explica como a regressão linear é usada para prever valores em um conjunto de dados e como criar colunas de recursos em um conjunto de dados usando o TensorFlow.
02:00:00 - 03:00:00 Este tutorial em vídeo aborda os fundamentos do uso do Python para redes neurais. O vídeo começa com uma descrição de como uma rede neural é composta por camadas de neurônios interconectados. O vídeo aborda como criar um gerador de números aleatórios e como treinar uma rede neural. Por fim, o vídeo mostra como conectar neurônios e pesos, como passar informações pela rede e como calcular o valor de saída de um neurônio.
03:00:00 - 04:00:00 Este vídeo explica como usar o TensorFlow para construir uma rede neural convolucional para reconhecimento de imagem. O vídeo aborda os fundamentos das redes neurais convolucionais, incluindo como elas funcionam e como usar modelos pré-treinados.
04:00:00 - 05:00:00 Este vídeo explica como usar o TensorFlow para treinar um modelo de aprendizado de máquina que pode prever a classe de uma imagem. O vídeo aborda conceitos básicos, como aprendizado profundo e redes neurais convolucionais.
05:00:00 - 06:00:00 Este vídeo é um guia completo para usar o TensorFlow 2.0 para treinar redes neurais. Abrange as formas de entrada e saída da rede neural, como criar uma função de perda e como usar o modelo para prever uma sequência. O vídeo também demonstra como gerar texto com o TensorFlow.
06:00:00 - 06:50:00 Este tutorial em vídeo apresenta os fundamentos do TensorFlow 2.0, uma poderosa biblioteca de aprendizado de máquina. Depois de apresentar o TensorFlow e seus principais conceitos, o tutorial conduz os visualizadores por uma série de tutoriais sobre diferentes tarefas de aprendizado de máquina, como aprendizado profundo e aprendizado por reforço.
Parte 1
Parte 2
Parte 3
Parte 4
Curso Completo do TensorFlow 2.0 - Tutorial de Redes Neurais Python para Iniciantes (partes 5-7)
Curso Completo do TensorFlow 2.0 - Tutorial de Redes Neurais Python para Iniciantes
Parte 5
Parte 6
Parte 7
Keras with TensorFlow Course - Python Deep Learning e Neural Networks for Beginners Tutorial
Keras with TensorFlow Course - Python Deep Learning e Neural Networks for Beginners Tutorial
O curso Keras with TensorFlow é focado em ensinar os usuários a usar o Keras, uma API de rede neural escrita em Python e integrada ao TensorFlow. Abrange os fundamentos da organização e pré-processamento de dados, construção e treinamento de redes neurais artificiais e a importância da normalização de dados e criação de conjuntos de validação. O curso também fornece recursos como arquivos de vídeo e texto e um guia sobre como configurar uma GPU para aumentar a eficiência. Os usuários também aprendem como salvar e carregar modelos, incluindo opções para salvar tudo, apenas a arquitetura ou apenas os pesos. O curso é adequado para aqueles com habilidades básicas de programação e alguma experiência com Python.
A segunda seção do "Curso Keras com TensorFlow" abrange uma variedade de tópicos, começando com o carregamento de pesos em um novo modelo Keras com a mesma arquitetura do modelo original. O instrutor então explica como preparar e pré-processar dados de imagem para treinar uma rede neural convolucional para classificar imagens como gatos ou cachorros antes de passar para a construção e treinamento de um modelo sequencial Keras para a primeira CNN. A seção inclui detalhes para treinar o modelo usando um gerador contendo dados de rótulo para validação durante o ajuste do modelo e como plotar uma matriz de confusão para avaliar o desempenho do modelo. Ele conclui demonstrando como ajustar um modelo VGG 16 pré-treinado para classificar imagens de cães e gatos, ajustar seu pré-processamento e também treiná-lo.
Na terceira seção, o instrutor apresenta o MobileNets, uma alternativa menor e mais rápida para modelos mais complexos. Eles demonstram o download e o uso de MobileNets em um Jupyter Notebook, organizando um conjunto de dados para dígitos de linguagem de sinais e ajustando o modelo para uma nova tarefa de classificação. O instrutor enfatiza a importância de apontar corretamente o iterador para a localização do conjunto de dados no disco, o número de camadas a serem congeladas durante o treinamento e ajustar os hiperparâmetros para reduzir os problemas de superajuste. A seção final apresenta o aumento de dados e seu potencial para reduzir o overfitting e aumentar o tamanho do conjunto de dados e fornece instruções sobre os diferentes tipos de aumento (por exemplo, deslocamento, inversão, rotação), salvar imagens aumentadas em disco e adicioná-las de volta ao treinamento definir.
Scikit-learn Crash Course - Biblioteca de aprendizado de máquina para Python
Scikit-learn Crash Course - Biblioteca de aprendizado de máquina para Python
O vídeo "Scikit-learn Crash Course" fornece uma visão geral do uso da biblioteca Scikit-learn para aprendizado de máquina em Python. O vídeo aborda a preparação de dados, criação e ajuste de modelos, ajuste de hiperparâmetros por meio de pesquisa de grade e avaliação de modelos. A importância do pré-processamento e dos transformadores para melhorar o desempenho do modelo é enfatizada, com exemplos de escalador padrão e transformador quantil. O vídeo também discute a importância da avaliação do modelo e da escolha da métrica certa para o problema, bem como o tratamento de conjuntos de dados desequilibrados e categorias desconhecidas na codificação one-hot. O palestrante enfatiza a compreensão do conjunto de dados e possíveis vieses nas previsões do modelo e fornece um exemplo de detecção de fraude de cartão de crédito.
A segunda parte do vídeo aborda vários tópicos, incluindo pesquisa em grade, métricas, pipelines, ajuste de limite, modelagem de séries temporais e tratamento de valores discrepantes. O instrutor explora o uso de métricas definidas de forma personalizada e a importância de equilibrar a precisão e a recuperação na criação do modelo. Além disso, o classificador de votação é apresentado como um meta-estimador que aumenta a flexibilidade e a expressividade do modelo. O vídeo termina apresentando a ferramenta Human Learn, que ajuda a construir e comparar sistemas baseados em regras que podem ser combinados com algoritmos de aprendizado de máquina. Além disso, é explorada a ferramenta FunctionClassifier, que permite aos usuários criar lógica customizada como um modelo classificador e adicionar comportamentos como detecção de outliers. No geral, o vídeo fornece uma visão geral abrangente do Scikit-learn e sua API flexível, enfatizando a importância de compreender as métricas relevantes para a criação e personalização do modelo.
PyTorch para Deep Learning e Machine Learning - Curso Completo (partes 1-3)
PyTorch para Deep Learning e Machine Learning - Curso Completo
00:00:00 - 01:00:00 O instrutor do curso online "PyTorch for Deep Learning & Machine Learning", Daniel Bourke, apresenta aos espectadores o curso, que se concentra na implementação de conceitos de aprendizado de máquina no PyTorch, usando o código Python. Os principais tópicos abordados no curso incluem aprendizado de transferência, implantação de modelo e rastreamento de experimentos. O vídeo fornece uma introdução ao aprendizado de máquina e ao aprendizado profundo e suas diferenças, sendo que o aprendizado profundo é melhor para problemas complexos que exigem grandes quantidades de dados e fornece informações sobre dados não estruturados. A anatomia de uma rede neural é explicada e o curso abrange os diferentes paradigmas do aprendizado de máquina, como aprendizado supervisionado e aprendizado por transferência. Além disso, o vídeo explora as possíveis aplicações do aprendizado profundo, principalmente na detecção de objetos e no processamento de linguagem natural. Por fim, são explicados os benefícios do PyTorch, como padronizar metodologias de pesquisa e permitir a execução de código de aprendizado de máquina em GPUs para mineração eficiente de cálculos numéricos.
01:00:00 - 02:00:00 Esta parte aborda os fundamentos do PyTorch, pré-processamento de dados, construção e uso de modelos de aprendizado profundo pré-treinados, ajuste de um modelo a um conjunto de dados, realização de previsões e avaliação das previsões do modelo. O instrutor enfatiza a importância da experimentação, visualização e questionamentos, bem como o uso dos recursos do curso, incluindo GitHub, discussões e learnpytorch.io. Os alunos também são apresentados ao Google Colab, que oferece a capacidade de usar aceleração de GPU ou TPU para um tempo de computação mais rápido, PyTorch pré-instalado e outros pacotes de ciência de dados. O curso se aprofunda sobre os tensores como os blocos de construção fundamentais do aprendizado profundo, demonstrando como criar tensores com diferentes dimensões e formas, incluindo tensores escalares, vetoriais e matriciais. O curso também aborda a criação de tensores aleatórios, tensores de zeros e uns, e como especificar tipos de dados, dispositivos e requer parâmetros graduados ao criar tensores.
02:00:00 - 03:00:00 Neste tutorial do PyTorch, o instrutor cobre vários aspectos das operações do tensor, incluindo solução de problemas, manipulação, multiplicação de matrizes, transposição e agregação. Eles explicam a importância de manter a forma correta do tensor e o tipo de dados ao trabalhar com modelos de aprendizado profundo e demonstram como verificar e alterar esses parâmetros usando comandos PyTorch. O tutorial inclui desafios para os visualizadores, como praticar a multiplicação de matrizes e encontrar o mínimo e o máximo posicionais dos tensores, além de fornecer dicas úteis para evitar erros de forma comuns e melhorar o desempenho, como o uso de vetorização em loops for. Além disso, o instrutor apresenta várias funções úteis do PyTorch para remodelar, empilhar, espremer e descomprimir tensores.
03:00:00 - 04:00:00 Esta parte abrange vários tópicos relacionados ao PyTorch, incluindo métodos de manipulação de tensor, como remodelar, visualizar, empilhar, espremer, descomprimir e permutar. O instrutor fornece exemplos de código, enfatiza a importância da manipulação da forma do tensor no aprendizado de máquina e no aprendizado profundo e desafia os visualizadores a tentar indexar tensores para retornar valores específicos. O curso também aborda a conversão de dados entre tensores PyTorch e matrizes NumPy e os tipos de dados padrão de cada um, bem como o conceito de reprodutibilidade em redes neurais e o uso de sementes aleatórias para reduzir a aleatoriedade nos experimentos. O instrutor explica como acessar GPUs para cálculos mais rápidos e fornece opções como Google Colab, Colab Pro, usando sua própria GPU ou usando serviços de computação em nuvem como GCP, AWS ou Azure.
04:00:00 - 05:00:00 Esta parte abrange uma ampla variedade de tópicos para iniciantes, incluindo como configurar o acesso à GPU com PyTorch, usar o módulo nn no PyTorch, criar modelos de regressão linear e muito mais. O instrutor enfatiza a importância do código agnóstico do dispositivo para ser executado em diferentes dispositivos e ter em mente o tipo de dispositivo no qual os tensores e modelos são armazenados. O curso também inclui exercícios e currículo extra para praticar o que foi aprendido, e o instrutor dá dicas de como abordar os exercícios no Colab. O curso abrange treinamento e avaliação de modelos de aprendizado de máquina, divisão de dados em conjuntos de treinamento e teste para generalização e visualização de dados. O instrutor explica como criar um modelo de regressão linear usando PyTorch puro, que envolve criar um construtor com a função init, criar um parâmetro de pesos usando nn.parameter e defini-lo como parâmetros aleatórios usando arch.rand.
05:00:00 - 06:00:00 Esta parte aborda tópicos como a criação de um modelo de regressão linear usando o PyTorch, implementando algoritmos de otimização como gradiente descendente e retropropagação por meio do PyTorch e entendendo como testar o poder preditivo de um modelo PyTorch. A importância de usar o gerenciador de contexto arch.inference_mode ao fazer previsões, inicializar os parâmetros do modelo, usar funções de perda para medir a precisão das previsões de um modelo e otimizar os parâmetros do modelo para melhorar a precisão do modelo também é discutida. Além disso, são apresentados os módulos fundamentais do PyTorch, incluindo o arch.nn, o arch.nn.module, o arch.optim e o arch.utils.dataset.
06:00:00 - 07:00:00 Esta parte cobre vários aspectos do PyTorch e aprendizado de máquina. Uma seção enfocou as etapas necessárias para criar um loop de treinamento no PyTorch, incluindo o loop dos dados, a perda de computação e a realização da retropropagação. O instrutor enfatizou a importância de escolher a função de perda e o otimizador apropriados e introduziu o conceito de gradiente descendente. Outra seção discutiu o otimizador e a taxa de aprendizado e como eles afetam os parâmetros do modelo. O vídeo também enfatizou a importância do teste e forneceu uma visão geral da criação de previsões de teste e cálculo de perda de teste. O curso fornece recursos adicionais para os interessados no conhecimento matemático da retropropagação e do gradiente descendente.
07:00:00 - 08:00:00 Esta parte abrange vários tópicos relacionados ao PyTorch. O curso discute a importância de acompanhar o progresso de um modelo, mantendo um registro dos valores de perda e plotando as curvas de perda, que devem mostrar uma tendência decrescente. O instrutor também explica os métodos de salvar e carregar modelos PyTorch, que incluem salvar um dicionário de estado, carregar o modelo usando o método arch.nn.module.loadStateDict ou o método arch.load e testar o modelo carregado. Nas seções posteriores, o curso aborda a criação de modelos de regressão linear e o uso de modelos pré-existentes no PyTorch, como a camada linear, criando uma subclasse de nn.module.
08:00:00 - 09:00:00 A parte abrange uma ampla gama de tópicos no domínio do aprendizado profundo e aprendizado de máquina. A primeira seção aborda as diferentes camadas disponíveis no arch.nn, implementações pré-criadas dessas camadas e como treinar modelos PyTorch usando funções de perda e otimizador. Nas seções subsequentes, o instrutor explica a importância do código agnóstico do dispositivo, salvando e carregando modelos PyTorch e como abordar problemas de classificação. O instrutor fornece exemplos e enfatiza a importância da codificação numérica para entradas, criação de dados personalizados e as complexidades de design envolvidas em um modelo de classificação, como o número de camadas ocultas, neurônios, função de perda e otimizador. Por fim, o instrutor enfatiza que iniciar qualquer problema de aprendizado de máquina com dados é a etapa mais importante.
09:00:00 - 10:00:00 Esta parte fornece uma visão geral de como criar e treinar uma rede neural usando o PyTorch para classificação binária. O vídeo abrange uma ampla gama de tópicos, incluindo a criação de um conjunto de dados personalizado, verificação de formas de entrada e saída, preparação de dados para treinamento, criação e envio de um modelo para uma GPU, seleção de um otimizador e função de perda para um modelo e realização de previsões. O curso inclui demonstrações práticas desses conceitos e visa fornecer uma compreensão abrangente do uso do PyTorch para projetos de aprendizado de máquina.
10:00:00 - 11:00:00 Esta parte abrange vários tópicos, incluindo funções de perda, otimizadores, funções de ativação, loop de treinamento e métricas de avaliação. O instrutor explica como configurar a função de perda e o otimizador, criar uma função de precisão e converter logits brutos em probabilidades e rótulos de previsão. O curso também analisa a diferença entre perda de BCE e perda de BCE com logits e como calcular a perda de teste e precisão para um modelo de classificação. Além disso, o instrutor fornece dicas sobre como melhorar o desempenho de um modelo, como aumentar a profundidade da rede neural, ajustar hiperparâmetros e importar e usar funções auxiliares de scripts Python externos.
11:00:00 - 12:00:00 Nesta parte, o instrutor explica como melhorar um modelo alterando hiperparâmetros, como o número de unidades ocultas, o número de camadas e o número de épocas, e destaca a importância de testar mudanças uma de cada vez para identificar melhorias ou degradações. Eles também discutem as diferenças entre parâmetros e hiperparâmetros e por que é importante fazer essa distinção. Além disso, o instrutor aborda técnicas de solução de problemas quando um modelo não está funcionando e apresenta a importância da não linearidade no aprendizado de máquina e nos modelos de aprendizado profundo. O instrutor demonstra esses conceitos com vários exemplos, incluindo problemas de regressão linear e não linear, e mostra como treinar e avaliar modelos enquanto testa diferentes hiperparâmetros e funções de perda.
12:00:00 - 13:00:00 Este curso PyTorch para Deep Learning e Machine Learning abrange conceitos básicos e avançados do PyTorch para a construção de modelos. O instrutor apresenta o conceito de não linearidade e demonstra como criar modelos de classificação usando não linearidade com o PyTorch. Eles também discutem otimizadores de construção, funções de perda e funções de ativação personalizadas. A importância de combinar funções lineares e não lineares para encontrar padrões em dados empilhando camadas dessas funções para criar um modelo é enfatizada. O curso abrange modelos de classificação binária e multiclasse e explica como configurá-los no PyTorch. A seção conclui demonstrando como inicializar modelos de classificação multiclasse com recursos de entrada e recursos de saída.
13:00:00 - 14:00:00 O instrutor nesta parte discute a criação de um modelo de pilha de camada linear usando o método nn.Sequential do PyTorch para executar a classificação de várias classes. Eles explicam a criação da função de perda e otimizador usando perda de entropia cruzada e descida de gradiente estocástico (SGD). O instrutor também discute camadas de eliminação e a importância de solucionar problemas de código de aprendizado de máquina para resolver erros. Eles demonstram a avaliação do modelo treinado usando vários métodos de avaliação de classificação, como exatidão, precisão, rechamada, pontuação F1, matriz de confusão e relatório de classificação usando o archmetrics e as bibliotecas scikit-learn. Por fim, o instrutor mostra como importar e usar funções de métricas pré-criadas no PyTorch usando o pacote archmetrics e fornece links para o módulo archmetrics e artigos extracurriculares para exploração adicional.
14:00:00 - 15:00:00 Esta parte aborda vários tópicos relacionados ao PyTorch e à visão computacional usando aprendizado de máquina. Isso inclui entender problemas de visão computacional, como problemas de classificação binária ou multiclasse, e aprender como um modelo de aprendizado de máquina aprende padrões de vários exemplos de imagens. O vídeo também explica as bibliotecas PyTorch, como TorchVision, e como elas contêm conjuntos de dados, modelos pré-treinados e transformações para manipular dados de visão em números utilizáveis por modelos de aprendizado de máquina. Além disso, o instrutor aborda as formas de entrada e saída do conjunto de dados FashionMNIST, a importância de visualizar e explorar conjuntos de dados para identificar possíveis problemas e fornece demonstrações sobre como plotar e visualizar dados de imagem usando PyTorch e Matplotlib.
15:00:00 - 16:00:00 Este curso em vídeo sobre PyTorch para Deep Learning e Machine Learning aborda a importância de preparar dados e usar conjuntos de dados e carregadores de dados PyTorch. O conceito de mini-lotes em aprendizado profundo é enfatizado, e o processo de criação de carregadores de dados de treinamento e teste é explicado usando PyTorch, com o hiperparâmetro de tamanho de lote definido como 32. A importância de visualizar imagens em um lote é discutida e o conceito de nivelamento é introduzido para transformar dados multidimensionais em um único vetor para uso em um modelo PyTorch. O processo de criação de um modelo de rede neural simples com uma camada plana e duas camadas lineares é abordado e o conceito de uso de funções auxiliares em projetos de aprendizado de máquina Python é explicado. Finalmente, é demonstrada a importância das funções de temporização para medir quanto tempo um modelo leva para treinar e o uso de TQDM para uma barra de progresso é demonstrada.
16:00:00 - 17:00:00 Esta parte do curso abrange vários tópicos relacionados ao PyTorch, começando com a configuração dos loops de treinamento e teste, solução de erros comuns, avaliação de modelos e previsão. O instrutor enfatiza a importância da experimentação para encontrar o melhor modelo de rede neural para um determinado conjunto de dados e discute os benefícios da não linearidade para modelar dados não lineares. Eles também demonstram como criar funções auxiliares no PyTorch, otimizar e avaliar loops e executar etapas de treinamento e teste. O curso explora ainda mais o código independente de dispositivo e as vantagens dos modelos de treinamento em CPUs e GPUs, concluindo com uma demonstração de como medir o tempo de treinamento em ambos os dispositivos.
17:00:00 - 18:00:00 Esta parte aborda muitos tópicos em aprendizado profundo e aprendizado de máquina. O instrutor demonstra como criar e testar um modelo de aprendizado profundo, construir uma rede neural convolucional (CNN) usando o PyTorch e criar blocos no PyTorch. Além disso, o tutorial examina a composição de um modelo PyTorch e como as convoluções funcionam na prática, altera os valores de passo e preenchimento em uma camada convolucional e as camadas convolucional e de pool máximo no PyTorch. Ao longo do vídeo, o instrutor compartilha recursos, fornece código PyTorch e explicações passo a passo e oferece orientação sobre como criar código eficiente e reutilizável.
19:00:00 - 20:00:00 Esta parte aborda vários tópicos, como visualização de previsões do modelo de aprendizado de máquina, avaliação de um modelo de classificação multiclasse usando matriz de confusão no PyTorch, instalação e atualização de pacotes no Google Colab, salvamento e carregamento de um PyTorch modelo e trabalhar com conjuntos de dados personalizados. O curso também demonstra o processo de construção de um modelo de visão computacional usando o PyTorch. O instrutor enfatiza a importância de utilizar bibliotecas de domínio para funções de carregamento de dados e funções de carregamento de dados personalizáveis e fornece exemplos para várias categorias, como visão, texto, áudio e recomendação. Eles também fornecem recursos úteis, como o site learn pytorch.io e o repositório de aprendizagem profunda PyTorch.
20:00:00 - 21:00:00 O instrutor deste curso PyTorch para Deep Learning e Machine Learning começa apresentando o conjunto de dados Food 101, mas fornece um subconjunto menor com três categorias de alimentos e apenas 10% das imagens como prática com PyTorch. O instrutor enfatiza a importância de ter um diretório separado para dados e, em seguida, mostra como abrir, visualizar e transformar imagens usando os métodos Pillow e PyTorch da biblioteca de imagens Python. A seção também aborda transformações de dados com PyTorch, como redimensionar e inverter imagens, e o instrutor demonstra como carregar e transformar imagens como tensores para modelos de aprendizado de máquina com PyTorch. A seção termina com uma sugestão para explorar as várias opções de transformação de imagens disponíveis no PyTorch.
21:00:00 - 22:00:00 Neste curso PyTorch, o instrutor explica como carregar e transformar dados de imagem em tensores, criar e personalizar carregadores de dados para treinamento e teste e criar uma classe de carregamento de dados personalizada. Eles demonstram a funcionalidade da função de conjuntos de dados pré-criados, pasta de imagens, que pode ser usada para customizar transformações para todas as imagens. Eles também percorrem as etapas necessárias para criar um carregador de dados personalizado, incluindo a criação de uma função para obter nomes de classe e mapeamentos de diretórios, subclassificação de archotes.utils.data.Dataset e substituição dos métodos get item e len. Embora os recursos de personalização dos carregadores de dados sejam úteis, existe o risco de escrever códigos com erros.
22:00:00 - 23:00:00 Esta parte do curso aborda como criar e utilizar conjuntos de dados personalizados e carregadores personalizados no PyTorch, bem como implementar técnicas de aumento de dados. O instrutor demonstra como construir uma rede neural convolucional usando a biblioteca PyTorch e fornece conselhos sobre áreas a serem experimentadas, incluindo hiperparâmetros como tamanho e passo do kernel. O curso também aborda como testar o pipeline de aumento e alavancar técnicas triviais de aumento para melhorar a precisão do modelo. As lições do curso incluem a flexibilidade do PyTorch e a capacidade de herdar da classe de conjunto de dados base para criar funções personalizadas de carregamento de conjunto de dados.
23:00:00 - 24:00:00 O instrutor aborda vários aspectos do PyTorch para aprendizado profundo e aprendizado de máquina, incluindo solução de erros de forma em modelos, uso do Torch Info para imprimir resumos de modelos PyTorch, criação de funções de etapa de treinamento e teste para avaliação desempenho em conjuntos de dados e combinando essas funções em uma função de treinamento para facilitar o treinamento do modelo. O instrutor também discute o tempo do processo de treinamento de um modelo de aprendizado profundo, traçando curvas de perda para acompanhar o progresso do modelo ao longo do tempo e avaliando o desempenho do modelo experimentando diferentes configurações, como adicionar camadas ou ajustar a taxa de aprendizado. Por fim, essas habilidades fornecerão uma base sólida para criar e avaliar modelos avançados usando o PyTorch.
24:00:00 - 25:00:00 Nesta seção do curso PyTorch para Deep Learning e Machine Learning, o instrutor discute os conceitos de superajuste e subajuste em modelos, juntamente com maneiras de lidar com eles, como aumento de dados, parada antecipada e simplificação do modelo. Eles enfatizam a importância de avaliar o desempenho do modelo ao longo do tempo usando curvas de perda e fornecem ferramentas para comparar o desempenho de diferentes modelos. A seção também aborda como preparar imagens personalizadas para previsão e demonstra como carregar uma imagem no PyTorch usando o archote vision.io e convertê-la em um tensor. O instrutor observa que, antes de passar a imagem por um modelo, pode ser necessário redimensioná-la, convertê-la em float32 e colocá-la no dispositivo correto.
25:00:00 - 26:35:00 Esta parte do curso PyTorch abrange vários tópicos, como tipos e formas de dados, transformação de dados de imagem usando o pacote de transformação do PyTorch e previsão de dados personalizados usando um modelo pré-treinado. Para garantir que os dados estejam no formato correto antes de serem alimentados ao modelo, é importante pré-processá-los, dimensionando-os para ficar entre 0 e 1, transformá-los se necessário e verificar se eles têm o dispositivo, tipo de dados e forma corretos . O instrutor também incentiva os alunos a praticar fazendo os exercícios de conjuntos de dados personalizados do PyTorch e oferece soluções como referências. O instrutor também menciona que há cinco capítulos adicionais para explorar em learnpytorch.io, abordando tópicos como aprendizado de transferência, rastreamento de experimentos de modelo pytorch, replicação de papel pytorch e implantação de modelo pytorch.
Parte 1
Parte 2
Parte 3