book

IA e ML para programadores em PyTorch

by Laurence Moroney

July 2025

Intermediate to advanced

444 pages

11h 55m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Quem deve ler este livroPor que escrevi este livroNavegando neste livroTecnologia que precisas de compreenderRecursos onlineConvenções usadas neste livroUsando exemplos de códigoAprendizagem online da O'ReillyComo nos contactarAgradecimentos
O que é aprendizado de máquina?Limitações da programação tradicionalDa programação à aprendizagemO que é o PyTorch?Usar o PyTorchInstalando o Porch em PythonUsar o PyTorch no PyCharmUsar o PyTorch no Google ColabComeçando com o aprendizado de máquinaVer o que a Network+ aprendeuResumo
Como funciona a visão computacionalA base de dados MNIST da modaNeurônios para visãoProjetando a rede neuralO código completoTreina a rede neuralExplorando a saída do modeloSupera o ajusteParada antecipadaResumo
ConvoluçõesAgrupamentoImplementando Redes Neurais ConvolucionaisExplorando a rede convolucionalConstruindo uma CNN para distinguir entre cavalos e humanosO conjunto de dados "Cavalos ou humanosLidando com os dadosArquitetura da CNN para "Cavalos ou Humanos"Adicionando validação ao conjunto de dados "Cavalos ou humanosTestar imagens de "Cavalos ou HumanosAumento de imagemAprendizagem por transferênciaClassificação multiclasseRegularização de desistênciaResumo
Introdução aos conjuntos de dadosExplorando a classe FashionMNISTClasses genéricas de conjuntos de dadosImageFolderDatasetFolderDados falsosUsando divisões personalizadasO processo ETL para gerenciar dados no aprendizado de máquinaOtimizando a fase de carregamentoUsando a classe DataLoaderAgruparEmbaralhamentoCarregamento paralelo de dadosAmostragem de dados personalizadaParalelizando o ETL para melhorar o desempenho do treinamentoResumo
Codificando linguagem em númerosIntrodução à tokenizaçãoTransformando frases em seqüênciasRemovendo palavras de parada e limpando o textoEliminação de etiquetas HTMLEliminação de palavras-chaveEliminar a pontuaçãoTrabalhar com fontes de dados reaisObtendo conjuntos de dados de textoObtendo texto de arquivos CSVObtendo texto de arquivos JSONResumo
Estabelecendo o significado das palavrasUm exemplo simples: Positivos e negativosVai um pouco mais fundo: VetoresIncorporação em PyTorchConstruindo um detetor de sarcasmo usando EmbeddingsReduzindo o Overfitting em Modelos de LinguagemColocando tudo juntoUsando o modelo para classificar uma sentençaVisualizando os EmbeddingsUsando Embeddings pré-treinadosResumo
A base da recorrênciaEstendendo a recorrência para a linguagemCriando um classificador de texto com RNNsEmpilhando LSTMsUsando Embeddings pré-treinados com RNNsResumo
Transformando seqüências em seqüências de entradaCriando o modeloGerando textoPrevendo a próxima palavraCombinando previsões para gerar textoAmpliar o conjunto de dadosMelhorando a arquitetura do modeloIncorporar dimensõesInicializando os LSTMsTaxa de aprendizagem variávelMelhorar os dadosCodificação baseada em caracteresResumo

Atributos comuns de séries temporaisTendênciaSazonalidadeAutocorrelaçãoRuídoTécnicas de previsão de séries temporaisPrevisão ingénua para criar uma linha de baseMedindo a precisão da previsãoPrevisões menos ingênuas: Usando uma média móvel para previsãoAprimorando a análise de média móvelResumo
Criando um conjunto de dados em WindowsCriando uma versão em Windows do conjunto de dados de séries temporaisCriando e treinando uma DNN para ajustar os dados de seqüênciaAvaliando os resultados da DNNAjustando a taxa de aprendizadoResumo
Convoluções para dados de sequênciaCodificando convoluçõesExperimentando os hiperparâmetros Conv1DUsando dados meteorológicos da NASALendo dados GISS em PythonUsando RNNs para Modelagem de SequênciasExplorar um conjunto de dados maiorUsando outros métodos recorrentesUsando DropoutUsando RNNs bidirecionaisResumo
TensoresDados de imagemDados de textoTensores fora de um modeloResumo
Apresentando o TorchServeConfigurando o TorchServePreparando seu ambienteConfigurando o teu ficheiro config.propertiesDefinir o teu modeloCriando o Arquivo HandlerCriando o arquivo de modeloIniciando o servidorTestando a InferênciaVai mais longeServindo com FlaskCriando um ambiente para o FlaskCriando um Servidor Flask em PythonResumo
O Hub do Rosto AbraçadoUsando o Hugging Face HubUsando um modelo do Hugging Face HubHub do PyTorchUsando Modelos de Visão PyTorchProcessamento de Linguagem NaturalOutros modelosResumo
Entendendo os transformadoresArquiteturas de CodificadorA Arquitetura do DescodificadorA arquitetura codificador-decodificadorA API de transformadoresComeçando com transformadoresConceitos BásicosPipelinesTokenizadoresResumo
Afinando um LLMConfiguração e dependênciasCarregando e examinando os dadosInicialização do modelo e do TokenizerPré-processamento dos dadosAgrupa os dadosDefinição de métricasConfigurar o treinamentoInicialização do treinadorTreinamento e avaliaçãoGravar e testar o modeloAjustando uma LLM com promptPreparando os dadosCriando os carregadores de dadosDefinindo o modeloTreinando o modeloAvaliação durante o treinamentoRelatar métricas de treinamentoSalvando o prompt EmbeddingsFazendo inferência com o modeloResumo
Começando com OllamaExecutando o Ollama como um servidorConstruindo um aplicativo que usa um LLM OllamaO cenárioConstruindo uma prova de conceito em PythonCriando um aplicativo da Web para OllamaO ficheiro app.jsO ficheiro index.htmlResumo
O que é RAG?Começar a usar o RAGEntendendo a similaridadeCriando o banco de dadosFazendo uma busca por similaridadeColocando tudo juntoUsando o conteúdo do RAG com um LLMEstendendo para modelos hospedadosResumo
O que são modelos de difusão?Usando difusores de rosto abraçadoImagem a imagem com difusoresPintura com difusoresResumo
Treinando um LoRA com difusoresObtendo difusoresObtendo dados para o ajuste fino de um LoRAAfinando um modelo com difusoresPublicando seu modeloGerando uma imagem com o LoRA personalizadoResumo

Content preview from IA e ML para programadores em PyTorch

Prefácio

Caro leitor,

A IA está pronta para transformar todos os sectores, mas quase todas as aplicações de IA têm de ser personalizadas para a sua utilização específica. Um sistema para ler registos médicos é diferente de um sistema para encontrar defeitos numa fábrica, que é diferente de um motor de recomendação de produtos. Para que a IA atinja todo o seu potencial, os engenheiros precisam de ferramentas que os ajudem a adaptar-se às fantásticas capacidades disponíveis para os milhões de problemas concretos que queremos resolver.

Quando liderei a equipa do Google Brain, começámos a construir uma estrutura C++ para aprendizagem profunda chamada DistBelief. Estávamos entusiasmados com o potencial de aproveitar milhares de CPUs para treinar uma rede neural (por exemplo, utilizar 16.000 CPUs para treinar um detetor de gatos em vídeos do YouTube sem rótulos). Como a Deep Learning evoluiu desde então! O que antes era de ponta pode agora ser feito no teu portátil! E vais aprender a fazê-lo, com o PyTorch, neste livro. As estruturas para criar modelos de ML para implementar a IA também evoluíram muito.

O PyTorch tem feito progressos significativos. Foi concebido para ser fácil de aprender e suficientemente poderoso para ser utilizado por pesquisadores. As suas ricas funcionalidades podem ajudar a construir uma vasta gama de ferramentas de IA, desde modelos simples, passando pela transferência de aprendizagem de outros, até à afinação dos mais modernos modelos generativos de IA.