Coletânea Deep Learning em Python: Do básico ao avançado

Livro 1 – Deep Learning em Python – Fernando Feltrin

Aprenda todo o referencial teórico sobre algoritmos de aprendizado de máquina e suas aplicações (classificação, regressão, previsão, algoritmos genéticos, clusterização, visão computacional, processamento de linguagem natural, sistemas de recomendação, modelos generativos, redes neurais recorrentes, etc…), todo o referencial teórico pertinente a redes neurais artificiais como tipos de aprendizado de máquina (aprendizado supervisionado, não supervisionado, auto-supervisionado, semi-supervisionado, por reforço, transferência de aprendizado, etc…), machine learning vs deep learning (perceptron, redes neurais artificiais, redes neurais artificiais profundas, Q-learning), arquiteturas de redes neurais artificiais (tipos de modelo, camadas, hiperparâmetros, funções de ativação, métodos de treinamento, meios de testes em novas amostras), além é claro da implementação de modelos / arquiteturas de redes neurais artificiais e desenvolvimento passo a passo de um projeto real (Detecção e Classificação de Massas Tumorais Cerebrais via Redes Neurais Artificiais Convolucionais Profundas) cujo projeto rendeu premiações ao autor Fernando Feltrin.

Livro 2 – Tópicos Avançados em Redes Neurais Artificiais – Fernando Feltrin

Aprenda de forma simples e objetiva tópicos avançados em aprendizado de máquina (machine learning) e redes neurais artificiais (perceptrons / deep learning) como implementação de perceptrons, aumento sintético de base de dados, modelos de classificação multiclasse simples e multinomial, transferência de aprendizado (transfer learning), fine tuning, métricas de autoavaliação (avaliação durante o treinamento), pipelines de machine learning, auto machine learning, adaptação de modelos para dispositivos móveis e embarcados, treinamento distribuído de redes neurais artificiais, busca automatizada pelos melhores hiperparâmetros de configuração, modo funcional vs modo sequencial, empilhamento (stacking) de modelos, camadas de convolução com dilatação, inserção de camadas personalizadas em modelos, aumento sintético durante o treinamento do modelo, low-code machine learning, modelos com funções em blocos, funções de perda / custo personalizadas, métricas de autoavaliação personalizadas, tratamento de bases de dados desbalanceadas, técnicas de tratamento de overfitting, camadas bridge, otimizadores avançados, ativação de camadas por limiarização, entre outros assuntos.

Livros com abordagem prática, totalmente ilustrado e exemplificado, com as devidas explicações para cada linha de código.