do primeiro conceito à prática com confiança
Aprendizado profundo
Crie redes neurais do zero, treine-as e entenda as arquiteturas por trás da IA moderna.
Sobre esta trilha
O aprendizado profundo potencializa o reconhecimento de imagem, fala, tradução e modelos de linguagem como Claude. Nesta trilha, você construirá tudo do zero - não chamando uma biblioteca, mas escrevendo cada peça em numpy, para que nada seja mágico.
Você ajudará Neuro, o robô do Doodle Lab, a aprender a ver. Você trabalhará com tensores e broadcasting, construirá neurônios, camadas e uma passagem direta, escolherá funções de perda, derivará retropropagação e escreverá seu próprio mecanismo de autogradação, comparará SGD, momentum e Adam e treinará uma rede de ponta a ponta. Em seguida, você fará o treinamento funcionar na prática - inicialização, normalização, dropout, decaimento dos pesos, depuração de curvas de perda - e conhecerá as arquiteturas que importam: redes convolucionais, redes recorrentes e transformadores com atenção, antes de ver como tudo isso é mapeado no PyTorch. Ao longo do caminho, você percorrerá o backprop nó por nó, testará as funções de ativação, deslizará os kernels de convolução e observará a atenção. Cada exercício executa Python em seu navegador, e o projeto final treina um classificador de rabiscos do zero.
- Confortável na escrita de Python básico (loops, funções, listas).
- Nenhuma experiência de aprendizado profundo é necessária; numpy é introduzido conforme você avança.
- Álgebra escolar; o cálculo que você precisa (derivadas e regra da cadeia) é explicado quando é usado.
Sua trilha
0 de 17 aulas · 0%Restaurando seu progresso…
- Unidade 1 · 0/4 aulas
Fundações da rede neural
Tensores e formas, neurônios e ativações e a passagem direta de uma rede multicamadas. Medalha: Construtor de camadas
- 0x001O que é aprendizagem profunda?Conheça redes neurais em camadas, veja por que a profundidade é importante e descubra onde o aprendizado profundo brilha. 20 min 0/2 exercícios resolvidos 20 min 0/2 exercícios resolvidos
- 0x102Tensores, formas e broadcastingArmazene dados em matrizes multidimensionais, entenda suas formas e use broadcasting para operar sem loops explícitos. 26 min 0/2 exercícios resolvidos 26 min 0/2 exercícios resolvidos
- 0x203Neurônios e funções de ativaçãoConstrua um neurônio artificial, explore funções de ativação e veja por que a não linearidade é essencial. 26 min 0/2 exercícios resolvidos 26 min 0/2 exercícios resolvidos
- 0x304Camadas e passagem diretaEmpilhe camadas em um perceptron multicamadas, execute um lote nele e conte seus parâmetros. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
- Unidade 2 · 0/5 aulas
Como as redes aprendem
Funções de perda, retropropagação, seu próprio mecanismo de autogradação, otimizadores e um loop de treinamento completo. Medalha: Seguidor de gradiente
- 0x405Funções de perdaMeça o quão errada uma rede está com erro quadrático médio e entropia cruzada, calculados de forma estável a partir de logits. 24 min 0/2 exercícios resolvidos 24 min 0/2 exercícios resolvidos
- 0x506RetropropagaçãoCalcule cada gradiente em uma rede com uma varredura para trás da regra da cadeia. 32 min 0/2 exercícios resolvidos 32 min 0/2 exercícios resolvidos
- 0x607Crie um pequeno mecanismo de autogradEscreva uma classe Value que registre operações e calcule gradientes automaticamente, como faz o PyTorch. 32 min 0/2 exercícios resolvidos 32 min 0/2 exercícios resolvidos
- 0x708Descida de gradiente e otimizadoresTransforme gradientes em atualizações de peso com SGD, momentum e Adam e ajuste a taxa de aprendizado. 28 min 0/2 exercícios resolvidos 28 min 0/2 exercícios resolvidos
- 0x809Treine uma rede de ponta a pontaApresente passes, perdas, backprop e atualizações juntos e treine uma rede do zero. 34 min 0/2 exercícios resolvidos 34 min 0/2 exercícios resolvidos
- Unidade 3 · 0/3 aulas
Treinamento na prática
Inicialização, normalização, conexões residuais, regularização e depuração. Medalha: Especialista em treinamento
- 0x9010Inicialização, normalização e conexões residuaisPreserve sinais e gradientes em redes profundas com inicialização adequada, normalização em lote e em camada e conexões residuais. 30 min 0/2 exercícios resolvidos 30 min 0/2 exercícios resolvidos
- 0xA011Overfitting e regularizaçãoIdentifique o overfitting e reduza-o com mais dados, decaimento dos pesos, dropout, aumento de dados e parada antecipada. 28 min 0/2 exercícios resolvidos 28 min 0/2 exercícios resolvidos
- 0xB012Depuração do treinamentoInterprete curvas de perda, faça verificações de integridade e corrija gradientes explosivos e valores NaN. 26 min 0/2 exercícios resolvidos 26 min 0/2 exercícios resolvidos
- Unidade 4 · 0/4 aulas
Arquiteturas
Redes convolucionais para imagens, redes recorrentes para sequências, transformadores com atenção e PyTorch. Medalha: Arquiteto de rede
- 0xC013Redes convolucionaisAplique filtros treináveis a imagens, combine os resultados e construa redes convolucionais. 32 min 0/2 exercícios resolvidos 32 min 0/2 exercícios resolvidos
- 0xD014Redes recorrentesProcesse sequências com um estado oculto realizado ao longo do tempo e veja por que LSTMs e GRUs foram inventados. 28 min 0/2 exercícios resolvidos 28 min 0/2 exercícios resolvidos
- 0xE015Atenção e transformadoresDeixe que cada posição olhe uma para a outra com atenção e monte o bloco transformador por trás da IA moderna. 34 min 0/2 exercícios resolvidos 34 min 0/2 exercícios resolvidos
- 0xF016Aprendizado profundo com PyTorchMapeie tudo o que você construiu manualmente no PyTorch: tensores, autograd, módulos, otimizadores, carregadores de dados e ajuste fino. 30 min 0/2 exercícios resolvidos 30 min 0/2 exercícios resolvidos
- Unidade 5 · 0/1 aulas
Projeto final
Crie, treine, depure e avalie um classificador de rabiscos do zero. Medalha: Decodificador de rabiscos