Redes LSTM práticas: modelagem de sequência com TensorFlow e Keras

Dados sequenciais estão em toda parte, de séries temporais financeiras a linguagem natural, mas as redes neurais tradicionais lutam para reter a memória ao longo do tempo. Para resolver isso, desenvolvedores e cientistas de dados usam redes de memória de longo prazo (LSTM) para capturar dependências de longo termo em conjuntos de datos sequenciais. Este curso baseado em texto orienta você através da mecânica central de redes neurais recorrentes e LSTMs, fazendo a transição de estruturas de dados sequenciais básicas para escrever modelos limpos e modernos usando TensorFlow e Keras.\n\nO que você aprenderá:\n- Entenda a arquitetura fundamental das Redes Neurais Recorrentes (RNNs) e como as LS problema de gradiente.\n- Prepare conjuntos de dados sequenciais para aprendizagem profunda usando técnicas modernas de tokenização, preenchimento e processamento de sequências.\n - Crie e configure camadas LSTM, incluindo LSSM empilhados e arquiteturas bidirecionais, usando TensorFlow e Keras.\n LSTMs com abordagens sequenciais modernas, incluindo mecanismos básicos de atenção.\n\nVocê começará com definições-chave e a intuição matemática por trás da memória sequencial, então você aprenderá a implementar regularização para evitar o overfitting.\n- progresso através de explicações escritas passo a passo e passeios de código estruturado. Até o final deste curso, você irá projetar, treinar e avaliar com confiança modelos LSTM para vários desafios baseados em sequência.\n\nEste curso é projetado para iniciantes em aprendizado profundo e desenvolvedores que têm uma familiaridade básica com Python e querem se especializar em modelagem de dados sequenciais. Nenhuma experiência prévia de aprendizado profundo é necessária.\n\nComece a ler hoje para dominar redes neurais recorrentes e construir modelos de sequência mais inteligentes.