Deep Learning com PyTorch

Este repositório contém uma série de Jupyter Notebooks dedicados à exploração de modelos de Redes Neurais e suas estratégias de avaliação, utilizando a biblioteca PyTorch e o dataset MNIST. O objetivo é começar com um modelo de rede neural simples e, progressivamente, melhorar o código incorporando novas técnicas e algoritmos para aprimorar as previsões do modelo.

Notebooks

• 1-neural-network-mnist-digit-recognizer-mlp

  • Introdução às Redes Neurais com uma Rede Neural de Multilayer Perceptron (MLP).

• 2-neural-network-mnist-digit-recognizer-cnn

  • Introdução às Redes Neurais Convolucionais (Convolutional Neural Networks - CNN).

• 3-mnist-cnn-cross-validation-lrscheduler

  • Aprimoramento do modelo com técnicas de otimização como transforms, criação de datasets com ruído, dropout, regularização L1 e L2, e validação cruzada (cross-validation).

• 4-mnist-ensemble-bagging

  • Melhoria do modelo utilizando a técnica de Bagging (Bootstrap Aggregating) e ajuste de parâmetros de learning rate sem o uso do LrScheduler.

Pré-requisitos

• Python 3.x
• Jupyter Notebook
• PyTorch
• Outras dependências podem ser encontradas no início de cada notebook.

Perfil no Kaggle

Para mais projetos e análises, visite meu perfil no Kaggle: MarianoS42.

Licença

Este projeto está licenciado sob a Licença MIT.