Reconhecimento de Imagens com Deep Learning usando TensorFlow e Keras // Mão no Código by Red Hat #8

Cachorro ou Gato? Criar um modelo de Inteligência Artificial para fazer classificação de fotos pode parecer trivial, mas envolve muita tecnologia e aprendizado de máquina. Usando ferramentas como TensorFlow e o Keras é possível fazer coisas incríveis. Nesse vídeo vamos criar, alimentar e treinar um modelo de dados para fazer essa classificação, porém vamos além... você aprenderá como avaliar se o modelo está realmente aprendendo adequadamente e quais são as técnicas para fazer os ajustes necessários.

???? Jupyter Notebook
→ https://github.com/tarolive/ai-notebooks/blob/main/cats_and_dogs.ipynb

???? ???????????????????? ????????????????????????
→ Playlist Completa: https://codft.me/MNCbyRedHat

???? ????????????????????????????????????: ???????????????????? ????????????????????????????????????????
→ https://compilado.codigofonte.com.br

???? ???????????????? ???????? ???????????????????? ???????? ????????????????????
→ https://linktr.ee/codigofontetv

????????????????????????????????????????
→ https://www.instagram.com/codigofontetv/

☕ ???????????????????? ???????????? ???????????????? ???????? ????????????????????????????
→ https://codft.me/clubecdfs

????ó???? ❤️ ???????????????????????????? ????????????????????????????????????, ????????????????????????, ???????????????????????????? ???? ????????????????????.
Caixa Postal: 91735 - Cep: 25620-972
Petrópolis / RJ

#TensorFlow #DeepLearning #InteligênciaArtificial #RedHat
#MãoNoCódigoByRedHat8

???? Tópicos:
0:00 | Boas vindas ao Mão no Código by Red Hat!
0:21 | Usaremos Rede Neural Convolucional
0:57 | Nosso modelo de Inteligência Artificial
1:47 | Camadas de uma Rede Neural
2:40 | Supervised Learning dentro do Machine Learning
3:04 | Unsupervised Learning
3:24 | Nosso modelo é de Classification dentro do Supervised Learning
3:33 | O que seria modelo de Regressão (Regression)?
3:58 | Algoritmo CNN - Rede Neural Convolucional
4:18 | TensorFlow e Keras
4:41 | Preparação do ambiente com Jupyter no OpenShift
5:23 | Criação do projeto e instalação do Open Data Hub Operator
6:40 | Inicialização o servidor no Jupyter Hub
6:54 | Novo notebook usando Python 3
8:04 | Preparação imagens para usar no modelo
8:49 | Instalação e importação da lib do TensorFlow
9:23 | Quantidade de imagens para alimentar os datasets
10:24 | Pré-processamento das imagens para ajudar no treinamento do modelo
11:43 | Variáveis utilizadas no treinamento do modelo
12:16 | Criação dos datasets de treinamento, validação e testes
14:21 | Plotagem das imagens dos datasets
14:51 | Criação do modelo sequencial em camadas com o Keras
18:49 | Passos para treinar rede neural (Feedforward e Backpropagation)
21:16 | Analisando o resumo do treinamento do modelo
21:56 | Modelo pronto! Vamos testar com um outro dataset
23:14 | Salvar modelo para produção para produção
23:31 | Como avaliar a qualidade de um modelo de IA?
23:50 | Precisão do treinamento do modelo
25:22 | O que é overfitting?
25:41 | Formas de evitar o overfitting
27:07 | Avaliação do resultado depois de resolver o overfitting
27:50 | Aplicação transfer learning (modelos já treinados do TensorFlow)
29:11 | Análise o MobileNetV2
29:32 | Aplicação as técnicas no nosso modelo
30:13 | Avaliação da precisão do treinamento do novo modelo
31:18 | Próximos passos depois do modelo pronto?
32:27 | O uso do MLOps em projetos reais
32:53 | Ferramentas para o ciclo de vida de modelos de IA
33:52 | Resumão dos CDFs!