У нас вы можете посмотреть бесплатно Reconhecimento de Imagens com Deep Learning usando TensorFlow e Keras // Mão no Código by Red Hat #8 или скачать в максимальном доступном качестве, видео которое было загружено на ютуб. Для загрузки выберите вариант из формы ниже:
Если кнопки скачивания не
загрузились
НАЖМИТЕ ЗДЕСЬ или обновите страницу
Если возникают проблемы со скачиванием видео, пожалуйста напишите в поддержку по адресу внизу
страницы.
Спасибо за использование сервиса ClipSaver.ru
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-notebo... 💻 𝗟𝗜𝗡𝗞𝗦 𝗥𝗘𝗗𝗛𝗔𝗧 → Playlist Completa: https://codigofonte.click/MNCbyRedHat 📰 𝗖𝗼𝗺𝗽𝗶𝗹𝗮𝗱𝗼: 𝗡𝗼𝘀𝘀𝗮 𝗡𝗲𝘄𝘀𝗹𝗲𝘁𝘁𝗲𝗿 → https://compilado.codigofonte.com.br 📡 𝗦𝗶𝗴𝗮 𝗮𝘀 𝗿𝗲𝗱𝗲𝘀 𝗱𝗼 𝗖𝗗𝗙𝗧𝗩 → https://linktr.ee/codigofontetv 📸𝗜𝗻𝘀𝘁𝗮𝗴𝗿𝗮𝗺 → / codigofontetv ☕ 𝗖𝗹𝘂𝗯𝗲 𝗱𝗼𝘀 𝗖𝗗𝗙𝘀 𝗻𝗼 𝗬𝗼𝘂𝘁𝘂𝗯𝗲 → https://codigofonte.click/clubecdfs 𝑵ó𝒔 ❤️ 𝒓𝒆𝒄𝒆𝒃𝒆𝒓 𝒑𝒓𝒆𝒔𝒆𝒏𝒕𝒆𝒔, 𝒄𝒂𝒓𝒕𝒂𝒔, 𝒃𝒓𝒊𝒏𝒅𝒆𝒔 𝒆 𝒎𝒊𝒎𝒐𝒔. 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!