2. Preliminares

Para iniciarmos o nosso aprendizado de Deep Learning, precisaremos desenvolver algumas habilidades básicas. Todo aprendizado de máquina está relacionado com a extração de informações dos dados. Portanto, começaremos aprendendo as habilidades práticas para armazenar, manipular e pré-processar dados.

Além disso, o aprendizado de máquina normalmente requer trabalhar com grandes conjuntos de dados, que podemos considerar como tabelas, onde as linhas correspondem a exemplos e as colunas correspondem aos atributos. A álgebra linear nos dá um poderoso conjunto de técnicas para trabalhar com dados tabulares. Não iremos muito longe nas teoria, mas sim nos concentraremos no básico das operações matriciais e sua implementação.

Além disso, o Deep Learning tem tudo a ver com otimização. Temos um modelo com alguns parâmetros e queremos encontrar aqueles que melhor se ajustam aos nossos dados. Determinar como alterar cada parâmetro em cada etapa de um algoritmo requer um pouco de cálculo, que será brevemente apresentado. Felizmente, o pacote autograd calcula automaticamente a diferenciação para nós, e vamos cobrir isso a seguir.

Em seguida, o aprendizado de máquina se preocupa em fazer previsões: qual é o valor provável de algum atributo desconhecido, dada a informação que observamos? Raciocinar rigorosamente sob a incerteza precisaremos invocar a linguagem da probabilidade.

No final, a documentação oficial fornece muitas descrições e exemplos que vão além deste livro. Para concluir o capítulo, mostraremos como procurar documentação para as informações necessárias.

Este livro manteve o conteúdo matemático no mínimo necessário para obter uma compreensão adequada de Deep Learning No entanto, isso não significa que este livro é livre de matemática. Assim, este capítulo fornece uma introdução rápida a matemática básica e frequentemente usada para permitir que qualquer pessoa entenda pelo menos a maior parte do conteúdo matemático do livro. Se você deseja entender todo o conteúdo matemático, uma revisão adicional do apêndice online sobre matemática deve ser suficiente.

• 2.1. Manipulação de Dados
  • 2.1.1. Iniciando
  • 2.1.2. Operações
  • 2.1.3. Mecanismo de Broadcasting
  • 2.1.4. Indexação e Fatiamento
  • 2.1.5. Economizando memória
  • 2.1.6. Conversão para outros objetos Python
  • 2.1.7. Sumário
  • 2.1.8. Exercícios
• 2.2. Pré-processamento de Dados
  • 2.2.1. Lendo o Dataset
  • 2.2.2. Lidando com Dados Faltantes
  • 2.2.3. Convertendo para o Formato Tensor
  • 2.2.4. Sumário
  • 2.2.5. Exercícios
• 2.3. Álgebra Linear
  • 2.3.1. Escalares
  • 2.3.2. Vetores
  • 2.3.3. Matrizes
  • 2.3.4. Tensores
  • 2.3.5. Propriedades Básicas de Aritmética de Tensores
  • 2.3.6. Redução
  • 2.3.7. Produto Escalar
  • 2.3.8. Produtos Matriz-Vetor
  • 2.3.9. Multiplicação Matriz Matriz
  • 2.3.10. Normas
  • 2.3.11. Mais sobre Algebra Linear
  • 2.3.12. Sumário
  • 2.3.13. Exercícios
• 2.4. Cálculo
  • 2.4.1. Derivadas e Diferenciação
  • 2.4.2. Derivadas Parciais
  • 2.4.3. Gradientes
  • 2.4.4. Regra da Cadeia
  • 2.4.5. Sumário
  • 2.4.6. Exercícios
• 2.5. Diferenciação automática
  • 2.5.1. Um exemplo simples
  • 2.5.2. Retroceder para variáveis não escalares
  • 2.5.3. Computação Detaching
  • 2.5.4. Computando o Gradiente do Python Control Flow
  • 2.5.5. Sumário
  • 2.5.6. Exercícios
• 2.6. Probabilidade
  • 2.6.1. Teoria Básica de Probabilidade
  • 2.6.2. Lidando com Múltiplas Variáveis Aleatórias
  • 2.6.3. Expectativa e Variância
  • 2.6.4. Sumário
  • 2.6.5. Exercícios
• 2.7. Documentação
  • 2.7.1. Encontrando Todas as Funções e Classes em um Módulo
  • 2.7.2. Buscando o Uso de Funções e Classes Específicas
  • 2.7.3. Sumário
  • 2.7.4. Exercícios