Curso online gratuito Deep Learning: Redes Neurais, CNNs, RNNs, Autoencoders e GANs com PyTorch
Duração do curso online: 24 horas e 15 minutos
Novo
Domine Deep Learning com PyTorch e crie modelos de visão, texto e geração de imagens. Curso online gratuito com prática e exercícios para o seu portfólio.
Neste curso gratuito, aprenda sobre
Diferenças entre ML tradicional e Deep Learning no uso de features (engenharia vs aprendizado)
História de redes neurais e impacto do backpropagation no treino de modelos profundos
Perceptron e regressão linear/Adaline: bias/threshold, regra de decisão e otimização
Pré-processamento: normalização z-score correta e como evitar data leakage entre treino e teste
Álgebra linear aplicada: vetores/matrizes, camadas lineares e shapes de tensores no PyTorch
Treinamento com gradiente descendente: taxa de aprendizado, sinal do gradiente e convergência
Autograd do PyTorch: diferenciação automática e cálculo de gradientes para otimização
Regressão logística binária e multiclasse: sigmoid/softmax e perdas (BCE, CrossEntropy)
MLP: por que não linearidades são essenciais (ex.: resolver XOR) e noções de profundidade
Regularização e generalização: overfitting, dropout (treino vs inferência) e boas práticas
BatchNorm e inicialização de pesos: estabilidade, velocidade de treino e quebra de simetria
Otimização avançada: SGD com momentum e ganhos em estabilidade e velocidade de convergência
CNNs: convolução, compartilhamento de pesos, conectividade local, padding e AlexNet
Modelos avançados: metric learning siamesa, RNN/LSTM, autoencoders e GANs
Sobre o curso online gratuito
Aprender Deep Learning de verdade vai muito além de “usar uma biblioteca pronta”: exige entender por que os modelos funcionam, como treiná-los com estabilidade e como tomar boas decisões ao ajustar dados, perdas, otimização e regularização. Neste curso online gratuito, você constrói uma base sólida em redes neurais e avança, passo a passo, até arquiteturas modernas, sempre conectando teoria, intuição e implementação com PyTorch.
Ao longo das aulas, você desenvolve a visão completa do pipeline de aprendizado profundo: desde a preparação correta dos dados e a noção de features até os conceitos matemáticos essenciais (como álgebra linear), descendo para a prática de gradiente descendente e chegando ao treinamento com diferenciação automática. Você também aprende a reconhecer armadilhas comuns que atrapalham resultados, como vazamento de informação entre treino e teste, e a adotar práticas que tornam seus experimentos reproduzíveis, eficientes e mais fáceis de depurar.
Conforme a complexidade aumenta, o curso aprofunda os elementos que dão poder às redes neurais: funções de ativação não lineares, redes multicamadas (MLP), inicialização de pesos, normalização e estratégias para lidar com overfitting. A partir daí, você passa a aplicar esses fundamentos em problemas reais com redes convolucionais (CNNs), entendendo como elas reduzem parâmetros e por que são tão fortes em visão computacional. Você também explora modelos para dados sequenciais com redes recorrentes (RNNs e LSTMs), capturando dependências no tempo e em texto.
Para fechar com chave de ouro, você entra no universo dos modelos generativos e de representação: autoencoders para compressão, remoção de ruído e reaproveitamento do encoder em tarefas de classificação; e GANs, nas quais gerador e discriminador competem para produzir amostras cada vez mais realistas. Além das aulas em vídeo, os exercícios ajudam a fixar conceitos e a desenvolver o raciocínio técnico que o mercado busca em Inteligência Artificial e Ciência de Dados. Ao final, você terá mais segurança para projetar, treinar e avaliar redes neurais no PyTorch — e para evoluir para projetos próprios com impacto profissional.
Conteúdo do curso
Aula em vídeo: Deep Learning - L00 Apresentação do curso de Deep Learning03m
Exercício: Qual sequência descreve melhor a progressão dos tópicos abordados no curso até chegar a modelos de Deep Learning mais avançados?
Aula em vídeo: Deep Learning - L01 O que é aprendizado de máquina e aprendizado profundo? Uma visão geral part141m
Exercício: Qual é a diferença central entre métodos tradicionais de redes neurais e Deep Learning no tratamento de características (features)?
Aula em vídeo: Deep Learning - L01 O que é aprendizado de máquina e aprendizado profundo? Uma visão geral part250m
Exercício: Em PyTorch, qual é a ordem mais comum das dimensões de um lote de imagens (batch) para redes convolucionais (CNNs)?
Aula em vídeo: Deep Learning - L02 Um breve resumo da história das redes neurais e deep learning41m
Exercício: Qual foi a principal contribuição do algoritmo de backpropagation para a evolução das redes neurais profundas?
Aula em vídeo: Deep Learning - L03 O Perceptron, introdução às redes neurais de camada única part140m
Exercício: No Perceptron, qual é a forma mais conveniente de incorporar o threshold (limiar) ao modelo para simplificar a equação?
Aula em vídeo: Deep Learning - L03 O Perceptron, introdução às redes neurais de camada única part246m
Exercício: Ao aplicar normalização (z-score) em dados separados em treino e teste, qual procedimento evita vazamento de informação (data leakage)?
Aula em vídeo: Deep Learning - L04 Álgebra Linear para deep learning part142m
Exercício: Qual é uma das principais vantagens de usar PyTorch (em vez de apenas NumPy) ao treinar redes neurais profundas?
Aula em vídeo: Deep Learning - L04 Álgebra linear para deep learning part225m
Exercício: Em uma camada linear no PyTorch com 5 entradas e 3 neurônios de saída (nn.Linear(5,3)), qual é o formato esperado da saída ao passar um batch X com formato 10×5?
Aula em vídeo: Deep Learning - L05 Aprendizado com gradiente descendente part147m
Exercício: Qual é a principal diferença estrutural entre um neurônio do Perceptron e um neurônio de Regressão Linear ao passar para o gradiente descendente?
Aula em vídeo: Deep Learning - L05 Aprendizado com gradiente descendente part235m
Exercício: Qual é o principal efeito de uma taxa de aprendizado (learning rate) muito grande no Gradiente Descendente?
Aula em vídeo: Deep Learning - L05 Aprendizado com gradiente descendente part325m
Exercício: Ao implementar manualmente o treinamento de um neurônio (regressão linear/Adaline), por que é comum multiplicar o gradiente por -1 na atualização dos pesos?
Aula em vídeo: Deep Learning - L06 Diferenciação automática com Pytorch48m
Exercício: No PyTorch, qual é o papel do Autograd no treinamento de redes neurais?
Aula em vídeo: Deep Learning - L07 Regressão logística e classificação multiclasse part146m
Exercício: Na regressão logística para classificação binária, qual combinação é mais apropriada para treinar o modelo?
Aula em vídeo: Deep Learning - L07 Regressão logistica e classificação multiclasse part233m
Exercício: Qual combinação de função de ativação e função de perda é típica para Regressão Logística binária em redes neurais?
Aula em vídeo: Deep Learning - L07 Regressão logistica e classificação multiclasse part347m
Exercício: Em um classificador multiclasse implementado em PyTorch, qual configuração de saída é a mais comum e eficiente para prever 10 dígitos (0 a 9)?
Aula em vídeo: Deep Learning - L08 Rede neural multilayer perceptron part146m
Exercício: Em uma rede neural multicamadas, por que é essencial usar funções de ativação não lineares nas camadas ocultas?
Aula em vídeo: Deep Learning - L08 Rede neural multilayer perceptron part21h02m
Exercício: Por que é indispensável usar funções de ativação não lineares nas camadas ocultas de uma MLP para resolver problemas como o XOR?
Aula em vídeo: Deep Learning - L09 Regularização part149m
Exercício: Qual é a forma mais recomendada para reduzir overfitting antes de alterar a arquitetura ou adicionar termos de regularização?
Aula em vídeo: Deep Learning - L09 Regularização part240m
Exercício: Ao usar Dropout como regularização em redes neurais profundas, qual prática é a mais correta durante treino e inferência?
Aula em vídeo: Deep Learning - L10 Normalização de características e inicialização de pesos part149m
Exercício: Qual é a principal função do Batch Normalization em redes neurais profundas?
Aula em vídeo: Deep Learning - L10 Normalização de características e inicialização de pesos part233m
Exercício: Qual é o principal motivo para inicializar os pesos de uma rede neural com valores pequenos e aleatórios, em vez de zeros?
Aula em vídeo: Deep Learning - L11 Algoritmos de otimização para Deep Learning1h00m
Exercício: Qual é a principal vantagem de usar o termo de momento no gradiente descendente estocástico durante o treinamento de redes neurais?
Aula em vídeo: Deep Learning - L12 Redes neurais convolucionais1h24m
Exercício: Quais são duas premissas centrais das Redes Neurais Convolucionais (CNNs) que reduzem o número de parâmetros em comparação com camadas totalmente conectadas?
Aula em vídeo: Deep Learning - L13 Redes neurais convolucionais part140m
Exercício: Em CNNs, qual é o objetivo principal de aplicar padding antes da convolução?
Aula em vídeo: Deep Learning - L13 Redes neurais convolucionais part21h02m
Exercício: Qual foi uma inovação destacada que ajudou a popularizar a AlexNet em relação a arquiteturas anteriores, contribuindo para melhor desempenho?
Aula em vídeo: Deep Learning - L13 Redes neurais convolucionais part339m
Exercício: Por que redes convolucionais tendem a ter menos parâmetros do que redes totalmente conectadas ao aumentar o número de camadas?
Aula em vídeo: Deep Learning - L13 Metric learning27m
Exercício: Em aprendizado métrico com redes siamesas para reconhecimento/verificação de faces, qual é o objetivo principal da rede?
Aula em vídeo: Deep Learning - L14 Redes neurais recorrentes part157m
Exercício: Qual é uma limitação importante da representação Bag-of-Words em tarefas com texto?
Aula em vídeo: Deep Learning - L14 Redes neurais recorrentes part238m
Exercício: Qual é o principal papel do forget gate em uma célula LSTM?
Aula em vídeo: Deep Learning - L15 Autoencoder part155m
Exercício: Em um autoencoder usado para remoção de ruído, qual é o par correto de entrada e alvo (saída desejada) durante o treinamento?
Aula em vídeo: Deep Learinig - L15 Autoencoder part234m
Exercício: Ao usar um autoencoder para criar um classificador, qual é a ideia principal de usar apenas o encoder após o treinamento?
Aula em vídeo: Deep Learning - L16 Generative Adversarial Networks part154m
Exercício: Em uma GAN (Generative Adversarial Network), qual é a função principal do discriminador?
Aula em vídeo: Deep Learning - L16 Generative Adversarial Networks part242m
Exercício: Em uma GAN, qual é o objetivo do gerador durante o treinamento?
