Deep Learning Mastering The Fundamentals Training Ppt

Slide 4

Este slide afirma que o Deep Learning, um subconjunto do Machine Learning, consiste em três ou mais camadas de rede neural. Essas redes neurais procuram imitar a atividade do cérebro humano, permitindo que ele "aprenda" com enormes quantidades de dados, embora essas redes não consigam replicá-lo. Embora uma rede neural de camada única possa produzir previsões aproximadas, camadas ocultas adicionais podem ajudá-la a melhorar e ajustar a precisão.

Notas do instrutor:

A maioria dos aplicativos e serviços de Inteligência Artificial (IA) depende do Deep Learning para melhorar a automação executando tarefas analíticas e físicas sem humanos. O Deep Learning é usado tanto em produtos e serviços comuns (como assistentes digitais, controles remotos de TV ativados por voz e detecção de fraude de cartão de crédito) quanto em novas tecnologias (como Inteligência Artificial e carros autônomos).

Slide 5

Este slide oferece uma visão geral do Deep Learning, que é a espinha dorsal de carros autônomos, robôs realistas e até chatbots convincentes. Ele ajuda as máquinas a melhorar sua capacidade de reconhecer padrões, objetos e até mesmo barreiras em seu caminho.

Slide 6

Este slide afirma que as redes neurais artificiais são frequentemente conhecidas como redes neurais de aprendizado profundo. Eles usam uma combinação de entradas de dados, pesos e vieses para emular o cérebro humano. Essas partes trabalham juntas para reconhecer, classificar e caracterizar com precisão os itens de dados.

Slide 7

Este slide lista que o aprendizado de máquina se concentra em permitir que os computadores realizem atividades sem programação explícita. Deep Learning é um ramo do Machine Learning baseado em redes neurais artificiais.

Slide 8

Este slide apresenta vários tipos de funções de Deep Learning: Função de Ativação Sigmóide, tan-h (Função de Tangente Hiperbólica), ReLU (Unidades Lineares Retificadas), Funções de Perda e Funções de Otimização.

Slide 9

Este slide fornece uma visão geral da função de ativação sigmoide que tem a fórmula f(x) = 1/(1+exp (-x)). A saída varia de 0 a 1. Não é centrada em zero. A função tem um problema de gradiente de desaparecimento. Quando ocorre a retropropagação, pequenas derivadas são multiplicadas e o gradiente diminui exponencialmente à medida que nos propagamos para as camadas iniciais.

Slide 10

Este slide informa que a função Tangente Hiperbólica tem a seguinte fórmula: f(x) = (1-exp(-2x))/(1+exp(2x)). O resultado está entre -1 e +1. Está centrado no zero. Quando comparada com a função Sigmoid, a convergência de otimização é simples, mas a função tan-h ainda sofre com o problema do gradiente de desaparecimento.

Slide 11

Este slide fornece uma visão geral de ReLU (Unidades Lineares Retificadas). A função é do tipo f(x) = max(0,x) i,e 0 quando x<0, x quando x>0. Quando comparada com a função tan-h, a convergência ReLU é maior. O problema do gradiente de desaparecimento não afeta a função e só pode ser usado nas camadas ocultas da rede

Slide 12

Este slide lista os tipos de funções de perda como um componente do Deep Learning. Estes incluem erro médio absoluto, erro quadrático médio, perda de dobradiça e entropia cruzada.

Slide 13

Este slide informa que o erro médio absoluto é uma estatística para calcular a diferença absoluta entre os valores esperados e reais. Divida o total de todas as diferenças absolutas pelo número de observações. Ele não penaliza valores grandes tão severamente quanto o Erro Quadrático Médio (MSE).

Slide 14

Este slide descreve que o MSE é determinado somando os quadrados da diferença entre os valores esperados e reais e dividindo pelo número de observações. É necessário prestar atenção quando o valor da métrica é maior ou menor. Só é aplicável quando temos valores inesperados para previsões. Não podemos confiar no MSE, pois ele pode aumentar enquanto o modelo apresenta um bom desempenho.

Slide 15

Este slide explica que a função de perda de dobradiça é comumente vista em máquinas de vetores de suporte. A função tem a forma = max[0,1-yf(x)]. Quando yf(x)>=0, a função perda é 0, mas quando yf(x)<0 o erro aumenta exponencialmente, penalizando desproporcionalmente os pontos mal classificados que estão longe da margem. Como resultado, a imprecisão cresceria exponencialmente até esses pontos.

Slide 16

Este slide afirma que a entropia cruzada é uma função logarítmica que prevê valores variando de 0 a 1. Ela avalia a eficácia de um modelo de classificação. Como resultado, quando o valor é 0,010, a perda de entropia cruzada é mais significativa e o modelo apresenta desempenho ruim na previsão.

Slide 17

Este slide lista as funções do otimizador como parte do Deep Learning. Estes incluem descida de gradiente estocástico, adagrad, adadelta e adam (estimativa de momento adaptativo).

Slide 18

Este slide afirma que a estabilidade de convergência da Descida do Gradiente Estocástico é uma preocupação, e a questão do Mínimo Local surge aqui. Com as funções de perda variando muito, calcular o mínimo global é demorado.

Slide 19

Este slide informa que não há necessidade de ajustar a taxa de aprendizado com esta função Adagrad manualmente. No entanto, a desvantagem fundamental é que a taxa de aprendizado continua a cair. Como resultado, quando a taxa de aprendizado diminui muito a cada iteração, o modelo não adquire mais informações.

Slide 20

Este slide afirma que em adadelta, a taxa de aprendizado decrescente é resolvida, taxas de aprendizado distintas são calculadas para cada parâmetro e o momento é determinado. A principal distinção é que isso não salva os níveis de momentum individuais para cada parâmetro; e a função do otimizador de Adam corrige esse problema.

Slide 21

Este slide descreve que, quando comparado a outros modelos adaptativos, as taxas de convergência são maiores no modelo de Adam. As taxas de aprendizado adaptativo para cada parâmetro são atendidas. Como o momento é levado em consideração para cada parâmetro, isso é comumente empregado em todos os modelos de Deep Learning. O modelo de Adam é altamente eficiente e rápido.

Slide 23

Este slide explica o funcionamento do Deep Learning. Redes neurais profundas são compostas de várias camadas ocultas. O Deep Learning treina a IA para prever a saída com entradas específicas ou camadas de rede ocultas. Grandes conjuntos de dados rotulados treinam essas redes a partir dos próprios dados.

Slide 24

Este slide discute a estrutura de uma rede neural profunda que consiste em três tipos de camadas de nós. Estas são, camada de entrada, seguida por uma ou mais camadas ocultas e, finalmente, uma camada de saída.

Slide 25

Este slide fala sobre a técnica de Deep Learning implementada usando várias redes neurais ou camadas ocultas que ajudam a entender as imagens completamente para fazer previsões corretas.

Notas do instrutor: Este método funciona bem com conjuntos de dados grandes e complexos. O Deep Learning torna-se incapaz de trabalhar com novos dados se forem insuficientes ou incompletos.

Slide 26

Este slide ilustra o processo passo a passo de criação de modelos de aprendizado profundo. As etapas incluem entender o problema, identificar os dados, selecionar o algoritmo, treinar o modelo e testar o modelo.

Slide 27

Este slide descreve as duas fases das operações em aprendizado profundo que são, criando um modelo estatístico como uma saída aplicando uma transformação não linear aos dados de entrada e um método derivado para melhorar o modelo.

Slide 28

Este slide lista as vantagens do Deep Learning, como dados não estruturados sendo usados o máximo possível, engenharia de recursos não é mais necessária, capacidade de fornecer resultados de alta qualidade, gastos desnecessários sendo eliminados e rotulagem de dados não é mais necessária.

Notas do instrutor:

• Os dados não estruturados são usados na maior extensão possível: você pode treinar algoritmos de aprendizado profundo usando vários tipos de dados enquanto ainda obtém informações relevantes para o objetivo do treinamento. Por exemplo, você pode usar algoritmos de aprendizado profundo para encontrar quaisquer relações atuais entre análises do setor, atividade de mídia social e outros fatores para prever o preço das ações de uma determinada organização no futuro
• A engenharia de recursos não é mais necessária: uma das principais vantagens de empregar uma técnica de Deep Learning é sua capacidade de realizar a engenharia de recursos de forma independente. Nessa técnica, um algoritmo examina os dados em busca de qualidades correlacionadas e, em seguida, os combina para estimular um aprendizado mais rápido sem ser solicitado expressamente. Essa habilidade permite que os cientistas de dados economizem uma quantidade substancial de tempo
• Capacidade de fornecer resultados de alta qualidade: um modelo de Deep Learning, se devidamente treinado, pode executar milhares de tarefas regulares e repetitivas em uma fração do tempo que levaria um ser humano. Além disso, a qualidade do trabalho nunca cai a menos que os dados de treinamento contenham dados brutos que não correspondem à situação
• Gastos desnecessários são eliminados: os recalls são muito caros e, em alguns setores, um recall pode custar à empresa milhões de dólares em despesas diretas. Falhas subjetivas difíceis de treinar, como pequenos problemas de rotulagem de produtos, podem ser reconhecidas usando Deep Learning
• A rotulagem de dados não é mais necessária: a rotulagem de dados pode ser uma tarefa cara e demorada. A necessidade de dados bem rotulados torna-se irrelevante com um método de aprendizado profundo, pois os algoritmos se destacam no aprendizado sem diretrizes

Slide 29

Este slide lista as aplicações de Deep Learning no mundo real. Isso inclui a detecção de atraso no desenvolvimento em crianças, colorização de imagens em preto e branco, adição de som a filmes mudos, restauração de pixels e geração de sequência ou alucinação.

Slide 30

Este slide afirma que uma das melhores aplicações do Deep Learning é a detecção precoce e a correção do curso de distúrbios de desenvolvimento relacionados a bebês e crianças. O Laboratório de Ciência da Computação e IA do MIT e o Instituto de Profissões de Saúde do Hospital Geral de Massachusetts criaram um sistema de computador que pode detectar distúrbios de linguagem e fala antes mesmo do jardim de infância, quando a maioria dos casos geralmente surge.

Slide 31

Este slide descreve a colorização da imagem, ou seja, a técnica de tirar fotos em tons de cinza e produzir imagens coloridas que representam as sombras e tons semânticos da entrada. Tradicionalmente, essa técnica era realizada manualmente e exigia mão de obra humana. Hoje, no entanto, a Deep Learning Technology é usada para colorir a imagem, aplicando-a a objetos e seu contexto na fotografia.

Slide 32

Este slide afirma que, para identificar sons aceitáveis para uma cena, um modelo de Deep Learning prefere correlacionar quadros de vídeo com um banco de dados de sons pré-gravados. Os modelos de aprendizado profundo usam esses vídeos para determinar o som ideal para o vídeo.

Slide 33

Este slide discute que, em 2017, os pesquisadores do Google Brain criaram uma rede de Deep Learning para determinar o rosto de uma pessoa a partir de fotos de rostos de qualidade muito baixa. “Pixel Recursive Super Resolution” foi o nome dado a esta abordagem, e melhora consideravelmente a resolução das fotografias, destacando características essenciais apenas o suficiente para a identificação.

Slide 34

Este slide mostra que a geração de sequência ou alucinação funciona criando imagens únicas ao ver outros videogames, entender como eles funcionam e replicá-los usando técnicas de aprendizado profundo, como redes neurais recorrentes. As alucinações de Deep Learning podem produzir visuais de alta resolução a partir de fotos de baixa resolução. Essa técnica também é usada para restaurar dados históricos de fotografias de baixa resolução para imagens de alta resolução.

Slide 35

Este slide descreve que a abordagem Deep Learning é incrivelmente eficiente para testes de toxicidade para estruturas químicas; os especialistas costumavam levar décadas para estabelecer a toxicidade de uma estrutura específica, mas com um modelo de aprendizado profundo, a toxicidade pode ser determinada rapidamente (pode levar horas ou dias, dependendo da complexidade).

Slide 36

Este slide mostra que um modelo Deep Learning de detecção de câncer contém 6.000 parâmetros que podem ajudar a estimar a sobrevida de um paciente. Modelos de aprendizado profundo são eficientes e eficazes para detecção de câncer de mama. O modelo Deep Learning CNN agora pode identificar e categorizar a mitose em pacientes. Redes neurais profundas auxiliam no estudo do ciclo de vida celular.

Slide 37

Este slide afirma que, com base no conjunto de dados usado para treinar o modelo, os algoritmos de Deep Learning podem prever chamadas de compra e venda para traders. Isso é benéfico para negociações de curto prazo e investimentos de longo prazo com base nos atributos disponíveis.

Slide 38

Este slide descreve que os algoritmos de Deep Learning classificam os consumidores com base em compras anteriores e comportamento de navegação e oferecem anúncios relevantes e personalizados em tempo real. Podemos ver isso em ação: se você pesquisar um determinado produto em um mecanismo de pesquisa, também será exibido conteúdo relevante de categorias aliadas em seu feed de notícias.

Slide 39

Este slide mostra que o Deep Learning oferece uma resposta promissora para o problema da detecção de fraudes, permitindo que as instituições aproveitem ao máximo os dados históricos dos clientes e os detalhes da transação em tempo real coletados no momento da transação. Os modelos de Deep Learning também podem ser usados para determinar quais produtos e mercados são mais vulneráveis a fraudes e para ser mais cauteloso em tais circunstâncias.

Slide 40

Este slide afirma que os sismólogos tentam prever o terremoto, mas é muito complicado. Uma previsão incorreta custa muito dinheiro ao povo e ao governo. Existem duas ondas em um terremoto: a onda p (viaja rapidamente, mas causa menos danos) e a onda s (viaja devagar, mas o dano é alto). Não é fácil fazer julgamentos com dias de antecedência, mas usando técnicas de aprendizado profundo, podemos prever o resultado de cada onda com base em análises e experiências anteriores. Isso pode levar horas, mas é rápido o suficiente para servir como um aviso útil que pode salvar vidas e evitar danos.

Slide 41

Este slide apresenta uma visão geral do Deep Fakes, que se refere a material digital modificado, como fotos ou vídeos, em que a imagem ou vídeo de uma pessoa é substituída pela semelhança de outra pessoa. Deep Fake é uma das preocupações mais severas que a civilização moderna enfrenta.

Notas do instrutor:

Em 2018, foi feito um clipe paródia de Barack Obama, usando frases que ele nunca falou. Além disso, Deep Fakes já foram usados para distorcer as imagens de Joe Biden mostrando sua língua de fora nas eleições de 2020 nos EUA. Essas aplicações prejudiciais de deepfakes podem influenciar significativamente a sociedade e resultar na disseminação de informações falsas, principalmente nas mídias sociais.

Slide 42

Este slide apresenta algumas das desvantagens do Deep Learning, como: Ele precisa de uma grande quantidade de dados para superar outras estratégias de tomada de decisão. Não existe uma teoria convencional para ajudá-lo a escolher as ferramentas corretas de aprendizado profundo, pois é necessário entender a topologia, a técnica de treinamento e outras características. Como resultado, é mais difícil de ser adotado por indivíduos menos competentes.

Diapositivo 58 a 73

Esses slides contêm atividades energizadoras para envolver o público da sessão de treinamento.

Slide 74 a 101

Esses slides contêm uma proposta de treinamento que abrange o que a empresa que oferece treinamento corporativo pode realizar para o cliente.

Slide 102 a 104

Esses slides incluem um formulário de avaliação de treinamento para instrutor, conteúdo e avaliação do curso.