O aprendizado de redes neurais é um processo de engenharia, não um mistério. Este curso explica como um modelo transforma entradas em previsões, mede o grau de erro dessas previsões e utiliza gradientes para ajustar os pesos até reduzir a perda. Ele é voltado para quem deseja entender o que realmente acontece nos bastidores do treinamento, sem explicações vagas ou superficiais. Ao final, você terá uma compreensão clara de como dados, perda, gradientes e otimizadores trabalham em conjunto, além de um olhar mais apurado para identificar quando o treinamento sai dos trilhos.
O curso aborda *forward passes*, funções de perda, descida do gradiente e *backpropagation* como os mecanismos fundamentais do aprendizado. Também trata de ciclos de treinamento com *batches*, épocas e otimizadores, além dos principais modos de falha: *underfitting*, *overfitting* e dados de má qualidade.