Skip to content

Esse repositório reúne lições que ensinam o básico sobre a aplicação de algoritmos de Machine/Deep Learning e Deep Reinforcement Learning em problemas práticos.

License

Notifications You must be signed in to change notification settings

PanGeiaUnB/Livro_Hands-on

Repository files navigation

Pytorch Python License

"Introdução Hands-on de algoritmos de DL e DRL com Python e Pytorch"

O Livro "Introdução Hands-on de algoritmos de Deep Learning e Deep Reinforcement Learning com Python e Pytorch" introduz os principais algoritmos e técnicas de Deep Learning, combinando os conceitos teóricos à aplicação prática em Python. O objetivo é simplificar a utilização dessas técnicas, permitindo que o leitor com pouca experiência consiga entendê-las e utilizá-las de maneira rápida. O livro conta com 5 lições que explicam o funcionamento de cada algoritmo utilizado e fornece o código para execução imediata, aplicando um modelo de Inteligência Artificial a um problema prático e, ao final, sugerindo pequenas alterações na execução para aumentar o entendimento da técnica.

Os temas abordados nas lições são:

  • Lição 1: Regressão linear e Redes Neurais Profundas (DNN)
  • Lição 2: Redes Neurais Convolucionais (CNN)
  • Lição 3: Redes Neurais Recorrentes (RNN)
  • Lição 4 e 5: Algoritmos de Reinforcement Learning (DQN e DDPG)

Nas seções abaixo existem instruções para a execução de cada lição.

Como rodar o projeto

Caso você não tenha muita experiência utilizando as tecnologias de python notebooks, recomenda-se fortemente que dê preferência para a opção da nuvem.

Localmente

1. Instale as ferramentas necessárias

Para rodar o notebook localmente, recomendamos fortemente o uso de um ambiente virtual como o Anaconda, ou o Venv , disponíveis para diversos sistemas operacionais.

2. Clone o repositório

git clone https://github.com/PanGeiaUnB/Livro_Hands-on

3. Instale as bibliotecas necessárias

Com o seu ambiente virtual ativado, dentro da pasta base:

../Livro_Hand-on

rode o seguinte comando:

pip install -r requirements.txt

Com isso será possível rodar localmente de maneira correta todos os notebooks clonados.

Na Nuvem

Também é possível rodar os notebooks no ambiente do google collab, acessando o drive do PanGEIA:

Sobre nós:

O grupo panGEIA


O grupo de estudos PanGEIA é composto por 9 integrantes que têm como objetivos aperfeiçoar e compartilhar o seu conhecimento nos campos de ciência de dados e inteligência artificial. O grupo surgiu com o propósito de reunir estudantes que participaram de um curso de Machine Learning e Deep Learning para dessa forma expandir o conhecimento na área além de proporcionar uma maior integração entre as pessoas. Além disso, o grupo tem como missão difundir o conhecimento sobre a área que tem se mostrado extremamente útil e poderosa em diversos campos.

O grupo possui estudantes da Universidade de Brasília e da Universidade Federal de Goiás de diferentes cursos. A diversidade presente no grupo é importante para a expansão do conhecimento já que cada aluno compartilha com o grupo uma bagagem diferente de conhecimento.

Nossos membros:

Nome Curso
Augusto Durães Camargo Engenharia de Software - UnB
Breno de Almeida Beleza Engenharia Mecatrônica/Controle e Automação - UnB
Eduardo Rodrigues de Farias Engenharia de Software - UnB
Fernanda Vaz Borges Carneiro Engenharia Mecatrônica/Controle e Automação - UnB
Gabriel Pimenta de Freitas Cardoso Engenharia Elétrica - UnB
Gustavo Viana Penido Engenharia de Redes de Comunicação - UnB
Henrique Augusto Gomes Togo Engenharia Elétrica - UnB
Lallamand Canedo de Souza Engenharia Elétrica - UnB
Pedro Vitor Menegat de Araujo Sistemas de Informação - UFG

About

Esse repositório reúne lições que ensinam o básico sobre a aplicação de algoritmos de Machine/Deep Learning e Deep Reinforcement Learning em problemas práticos.

Resources

License

Code of conduct

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published