Índice

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 55 – Geração de Variáveis Aleatórias – Uma das Bases dos Modelos Generativos em 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 60 – Variational Autoencoders (VAEs) – Definição, Redução de Dimensionalidade, Espaço Latente e Regularização

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:

Cursos Individuais, Formações e Programas de Pós-Graduação