Cookies disclaimer

I agree This website or its third party tools use cookies, which are necessary to its functioning and required to achieve the purposes illustrated in the cookie policy. If you want to know more or withdraw your consent to all or some of the cookies, please refer to the cookie policy. By closing this banner, scrolling this page, clicking a link or continuing to browse otherwise, you agree to the use of cookies.

Campuse.ro
Tom e Jerry: entendendo o jogo de gato-e-rato de redes neurais adversárias #CPBSB3
Tom e Jerry: entendendo o jogo de gato-e-rato de redes neurais adversárias #CPBSB3
Talk: Tom e Jerry: entendendo o jogo de gato-e-rato de redes neurais adversárias #CPBSB3 Technology
More Information
Description:

Já ouviu falar que a Inteligência Artificial criou uma pintura? Ou que completou uma sinfonia Schubert? Ou ainda você não aguentou a curiosidade e entrou no teste da rede social para saber como será teu rosto quando mais velho?Agradeça às Generative Adversarial Networks (GANs), classe de algoritmos de machine learning utilizados em aprendizado não-supervisionado. Imagine duas redes neurais competindo entre si, em uma estrutura de jogo de soma-zero, ou seja, um jogo com um vencedor e com um perdedor. O conceito de de GANs foi introduzido por Ian Goodfellow e outros pesquisadores da Universidade Montreal em 2014. As duas redes neurais que compõem uma GAN são chamadas de gerador e discriminador.



O gerador é uma rede neural convolucional que criará novas instâncias de um objeto, e o discriminador, uma rede neural deconvolucional, determinará sua autenticidade, ou se pertence ou não a um conjunto de dados.Ambas competem durante o processo de treinamento, onde suas perdas se empurram umas contra as outras para melhorar os comportamentos, conhecidos como retropropagação. O objetivo do gerador é produzir saída passável sem ser capturado, enquanto o objetivo do discriminador é identificar as falsificações. À medida que o loop continua, o gerador produz um output de maior qualidade e o discriminador torna-se melhor ao sinalizar os impostores.

A palestra apresentará os conceitos e funcionamento desta modalidade de aprendizado para que ninguém fique perdido com essa tendência!



Speakers:

Sofia Marshallowitz -

Interessa-se por qualquer coisa que envolva dados, matemática e (quebrar) segurança. Sthorm como Software Developer | Bruno | Abrusio | Vainzof Advogados e é pesquisadora em Inteligência Artificial e Data Science no Lawgorithm. Estuda Statistics and Data Science pelo MITx, tem certificações na área de Ethical Hacking, é estudante de Direito pela Universidade Mackenzie e de Ciência e Tecnologia pela Universidade Federal do ABC.


Level:

Beginner

Comments

Remember that to comment you must participate in the activity.

About this activity