Introdução

Redes adversárias generativas (GANs, na sigla em inglês) são uma inovação recente e interessante para o machine learning. GANs são modelos generativos, porque eles criam novas instâncias de dados semelhantes aos seus dados de treinamento. Por exemplo, as GANs podem criar imagens que se pareçam com fotografias de rostos humanos, mesmo que os rostos não pertençam a nenhuma pessoa real. Estas imagens foram criadas por uma GAN:

Figura 1: imagens geradas por um GAN criado pela NVIDIA.

As GANs alcançam esse nível de realismo pareando um gerador, que aprende a produzir a saída de destino com um discriminador, que aprende a distinguir dados verdadeiros da saída do gerador. O gerador tenta enganar o discriminador, e o discriminador tenta evitar ser enganado.

O curso aborda as noções básicas sobre a GAN e como usar a biblioteca TF-GAN para criar GANs.

Objetivos de aprendizado do curso

• Entenda a diferença entre modelos generativos e discriminatórios.
• Identificar problemas que as GANs podem resolver.
• Entenda os papéis do gerador e do discriminador em um sistema GAN.
• Entenda as vantagens e desvantagens das funções comuns de perda da GAN.
• Identificar possíveis soluções para problemas comuns com o treinamento da GAN
• Usar a biblioteca TF GAN para criar uma GAN.

Pré-requisitos

Este curso pressupõe que você:

• Conclusão do Curso intensivo de machine learning presencial ou autônomo.
• Pelo menos um pouco de programação com TensorFlow