[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
Transferir como PPTX, PDF1 gostou62 visualizações
O documento explora o conceito de deep learning, suas aplicações em inteligência artificial e machine learning, e discute a importância de funções de ativação e redes neurais como CNNs e RNNs. Ele destaca a necessidade de grandes datasets, poder computacional e apresenta a computação quântica como uma nova fronteira. Conclui-se que, apesar de deep learning não ser mágica, ela melhora significativamente a eficácia dos sistemas com base em padrões de aprendizado.
![[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual](https://image.slidesharecdn.com/joseahirtonlopesdeeplearning-umaabordagemvisual-181003230235/85/Jose-Ahirton-Lopes-Deep-Learning-Uma-Abordagem-Visual-46-320.jpg)
[Jose Ahirton Lopes] Deep Learning - Uma Abordagem Visual
- 1. MSc. José Ahirton Batista Lopes Filho São Paulo, 03 de outubro de 2018 Deep Learning – Uma abordagem visual
- 2. About Me
- 3. Ferramentais
- 10. Fluxo em Inteligência Artificial
- 11. Fluxo em Machine Learning
- 13. Problemas Canônicos em ML
- 15. Machine Learning
- 16. Machine Learning
- 17. Machine Learning
- 18. Rumo a Deep Learning
- 19. Rumo a Deep Learning
- 22. Papers seminais
- 23. Grandes usuários de Deep Learning
- 24. Startups em Deep Learning
- 25. ML vs. Deep Learning
- 26. Deep Learning
- 27. Deep Learning
- 28. Deep Learning
- 29. Deep Learning
- 30. Deep Learning – Funções de Ativação A maioria das redes profundas usam ReLU -max (0, x) - hoje em dia, para camadas ocultas, uma vez que ela treina muito mais rápido, é mais expressiva que a função logística e evita o problema de fuga do gradiente. A não linearidade é necessária para aprender representações complexas (não lineares) de dados, caso contrário, o NN seria apenas uma função linear.
- 31. Deep Learning – Fluxo de Treinamento
- 32. Deep Learning – Gradiente Descendente
- 33. Deep Learning – Deep Autoencoders
- 34. Deep Learning - Convolutional Neural Nets (CNN)
- 35. Deep Learning - Convolutional Neural Nets (CNN)
- 36. Deep Learning - Recurrent Neural Nets (RNN) - Os RNNs são computadores gerais que podem aprender algoritmos para mapear seqüências de entrada para seqüências de saída (vetores de tamanho flexível). - O conteúdo do vetor de saída é influenciado por todo o histórico de entradas.
- 37. Deep Learning - Long Short- Term Memory - Uma rede LSTM (Long Short-Term Memory) é um tipo particular de rede recorrente que funciona um pouco melhor na prática, devido à sua equação de atualização mais poderosa e a algumas dinâmicas de propagação retrógradas.
- 38. Deep Learning – CNN + RNN – Gerador de Legenda
- 39. Deep Learning - Embeddings Fotografia Boto Golfinho Seaworld São Paulo
- 40. Deep Learning – Requerimentos Grande dataset com boa qualidade; Objetivos mensuráveis e descritíveis (para definição do custo); Poder computacional (Ex: instâncias de GPUs); Excede em tarefas onde a unidade básica (pixel, palavra) tem muito pouco significado por si mesma, mas a combinação de tais unidades tem um significado útil.
- 41. Ferramentais em Deep Learning
- 42. Deep Learning – Computação Quântica • Laboratório de Inteligência Artificial Quântica - iniciativa conjunta da NASA e do Google para estudar como a computação quântica pode promover o aprendizado de máquina. • Computadores quânticos lidam com o que são chamados bits quânticos ou qubits que podem facilmente ter um valor de um ou zero ou qualquer coisa entre eles. • A computação quântica representa uma mudança de paradigma, uma mudança radical na forma como fazemos computação e em uma escala que tem um poder inimaginável - Eric Ladizinsky (Co-fundador D-Wave)
- 43. Deep Learning - Chips Cognitivos
- 44. Deep Learning – Conclusões • Avanços significativos em reforço profundo e aprendizado não supervisionado; • Arquiteturas maiores e mais complexas baseadas em vários módulos / técnicas intercambiáveis; • Modelos mais profundos que podem aprender com muito menos casos de treinamento; • Problemas mais difíceis, como o entendimento de vídeo e o processamento de linguagem natural, serão abordados com sucesso por algoritmos de aprendizado profundos.
- 45. Deep Learning – Conclusões • Máquinas que aprendem a representar o mundo a partir da experiência. • Deep Learning não é mágica! Apenas estatísticas em uma caixa preta, mas eficaz em padrões de aprendizado. • Nós não descobrimos criatividade e empatia humana. • Transição da pesquisa para produtos de consumo. • Fará com que as ferramentas que você usa todos os dias funcione melhor, mais rápido e mais inteligente.
- 47. “É preciso provocar sistematicamente confusão. Isso promove a criatividade. Tudo aquilo que é contraditório gera vida ” Salvador Dalí