Abaixo você encontra o índice dos capítulos do livro:
Capítulo 1 – Deep Learning e a Tempestade Perfeita
Capítulo 2 – Uma Breve História das Redes Neurais Artificiais
Capítulo 3 – O Que São Redes Neurais Artificiais Profundas ou Deep Learning?
Capítulo 4 – O Neurônio, Biológico e Matemático
Capítulo 5 – Usando Redes Neurais Para Reconhecer Dígitos Manuscritos
Capítulo 6 – O Perceptron – Parte 1
Capítulo 7 – O Perceptron – Parte 2
Capítulo 8 – Função de Ativação
Capítulo 9 – A Arquitetura das Redes Neurais
Capítulo 10 – As Principais Arquiteturas de Redes Neurais
Capítulo 11 – Design De Uma Rede Neural Para Reconhecimento de Dígitos
Capítulo 12 – Aprendizado Com a Descida do Gradiente
Capítulo 13 – Construindo Uma Rede Neural Com Linguagem Python
Capítulo 14 – Algoritmo Backpropagation Parte 1 – Grafos Computacionais e Chain Rule
Capítulo 15 – Algoritmo Backpropagation Parte 2 – Treinamento de Redes Neurais
Capítulo 16 – Algoritmo Backpropagation em Python
Capítulo 17 – Cross-Entropy Cost Function
Capítulo 18 – Entropia Cruzada Para Quantificar a Diferença Entre Distribuições de Probabilidade
Capítulo 19 – Overfitting e Regularização – Parte 1
Capítulo 20 – Overfitting e Regularização – Parte 2
Capítulo 21 – Afinal, Por Que a Regularização Ajuda a Reduzir o Overfitting?
Capítulo 22 – Regularização L1
Capítulo 23 – Como Funciona o Dropout?
Capítulo 24 – Expandir Artificialmente os Dados de Treinamento
Capítulo 25 – Inicialização de Pesos em Redes Neurais Artificiais
Capítulo 26 – Como Escolher os Hiperparâmetros de Uma Rede Neural
Capítulo 27 – A Taxa de Aprendizado de Uma Rede Neural
Capítulo 28 – Usando Early Stopping Para Definir o Número de Épocas de Treinamento
Capítulo 29 – Definindo o Tamanho do Mini-Batch
Capítulo 30 – Variações do Stochastic Gradient Descent – Hessian Optimization e Momentum
Capítulo 31 – As Redes Neurais Artificiais Podem Computar Qualquer Função?
Capítulo 32 – Como Uma Rede Neural Artificial Encontra a Aproximação de Uma Função
Capítulo 33 – Por Que as Redes Neurais Profundas São Difíceis de Treinar?
Capítulo 34 – O Problema da Dissipação do Gradiente
Capítulo 35 – A Matemática do Problema de Dissipação do Gradiente em Deep Learning
Capítulo 36 – Outros Problemas com o Gradiente em Redes Neurais Artificiais
Capítulo 37 – O Efeito do Batch Size no Treinamento de Redes Neurais Artificiais
Capítulo 38 – O Efeito da Taxa de Aprendizagem no Treinamento de Redes Neurais Artificiais
Capítulo 39 – Relação Entre o Tamanho do Lote e o Cálculo do Gradiente
Capítulo 40 – Introdução às Redes Neurais Convolucionais
Capítulo 41 – Campos Receptivos Locais em Redes Neurais Convolucionais
Capítulo 42 – Compartilhamento de Pesos em Redes Neurais Convolucionais
Capítulo 43 – Camadas de Pooling em Redes Neurais Convolucionais
Capítulo 44 – Reconhecimento de Imagens e Redes Neurais Convolucionais em Python – Parte 1
Capítulo 45 – Reconhecimento de Imagens e Redes Neurais Convolucionais em Python – Parte 2
Capítulo 46 – Reconhecimento de Imagens e Redes Neurais Convolucionais em Python – Parte 3
Capítulo 47 – Reconhecimento de Imagens e Redes Neurais Convolucionais em Python – Parte 4
Capítulo 48 – Redes Neurais Recorrentes
Capítulo 49 – A Matemática do Backpropagation Through Time (BPTT)
Capítulo 50 – A Matemática da Dissipação do Gradiente e Aplicações das RNNs
Capítulo 51 – Arquitetura de Redes Neurais Long Short Term Memory (LSTM)
Capítulo 52 – Arquitetura de Redes Neurais Gated Recurrent Unit (GRU)
Capítulo 53 – Matemática na GRU, Dissipação e Clipping do Gradiente
Capítulo 54 – Introdução às Redes Adversárias Generativas (GANs – Generative Adversarial Networks)
Capítulo 56 – Modelos Generativos – O Diferencial das GANs (Generative Adversarial Networks)
Capítulo 57 – Os Detalhes Matemáticos das GANs (Generative Adversarial Networks)
Capítulo 58 – Introdução aos Autoencoders
Capítulo 59 – Principais Tipos de Redes Neurais Artificiais Autoencoders
Capítulo 61 – A Matemática dos Variational Autoencoders (VAEs)
Capítulo 62 – O Que é Aprendizagem Por Reforço?
Capítulo 63 – Aplicações da Aprendizagem Por Reforço no Mundo Real
Capítulo 64 – Componentes do Aprendizado Por Reforço (Reinforcement Learning)
Capítulo 65 – Distribuições de Probabilidade, Redes Neurais e Reinforcement Learning
Capítulo 66 – Algoritmo de Agente Baseado em IA com Reinforcement Learning – Parte 1
Capítulo 67 – Algoritmo de Agente Baseado em IA com Reinforcement Learning – Parte 2
Capítulo 68 – Algoritmo de Agente Baseado em IA com Reinforcement Learning – Q-Learning
Capítulo 69 – Treinando Um Agente Baseado em IA Para Jogar Boxe no Atari Usando Python
Capítulo 70 – Deep Q-Network e Processos de Decisão de Markov
Capítulo 71 – Inteligência Artificial Para Jogar Blackjack – Parte 1
Capítulo 72 – Inteligência Artificial Para Jogar Blackjack – Parte 2
Capítulo 73 – Inteligência Artificial Para Jogar Blackjack – Parte 3
Capítulo 74 – Inteligência Artificial Para Jogar Blackjack – Parte 4
Capítulo 75 – Inteligência Artificial Para Jogar Blackjack – Parte 5
Capítulo 76 – O Que é BERT (Bidirectional Encoder Representations from Transformers)?
Capítulo 77 – Modelo BERT Para Processamento de Linguagem Natural
Capítulo 78 – Modelo BERT – Previsão da Próxima Frase
Capítulo 79 – Conhecendo o Modelo GPT (Generative Pre-trained Transformer)
Capítulo 80 – Melhorando a Compreensão da Linguagem Por Meio do Pré-treinamento Generativo (GPT-1)
Capítulo 81 – Modelos de Linguagem Como Tarefas Não Supervisionadas (GPT-2)
Capítulo 82 – GPT-3 – Características e Limitações
Capítulo 83 – Liquid Neural Network – Rede Neural Líquida
Capítulo 84 – CLIP (Contrastive Language Image Pre-training): Conectando Texto e Imagens
Capítulo 85 – Transformadores – O Estado da Arte em Processamento de Linguagem Natural (PLN)
Capítulo 86 – Como Funcionam os Transformadores em Processamento de Linguagem Natural – Parte 1
Capítulo 87 – Como Funcionam os Transformadores em Processamento de Linguagem Natural – Parte 2
Capítulo 88 – Como Funcionam os Transformadores em Processamento de Linguagem Natural – Parte 3
Capítulo 89 – Como Funcionam os Transformadores em Processamento de Linguagem Natural – Parte 4
Capítulo 90 – Como Funcionam os Transformadores em Processamento de Linguagem Natural – Parte 5
Capítulo 91 – Machine Learning – Guia Definitivo – Parte 1
Capítulo 92 – Machine Learning – Guia Definitivo – Parte 2
Capítulo 93 – Machine Learning – Guia Definitivo – Parte 3
Capítulo 94 – Machine Learning – Guia Definitivo – Parte 4
Capítulo 95 – Machine Learning – Guia Definitivo – Parte 5
Capítulo 96 – Machine Learning – Guia Definitivo – Parte 6
Capítulo 97 – Machine Learning – Guia Definitivo – Parte 7
Capítulo 98 – Machine Learning – Guia Definitivo – Parte 8
Capítulo 99 – Machine Learning – Guia Definitivo – Parte 9
Capítulo 100 – Machine Learning – Guia Definitivo – Parte 10
Confira os Cursos Individuais, Formações e Programas de Pós-Graduação Oferecidos pela Data Science Academy: