Introduction to Deep Learning

Projects and exercises developed for the Introduction to Deep Learning course at the Federal University of Minas Gerais (UFMG), Brazil.

📁 Notebook Overview (English)

• AlexNet.ipynb – Implementation of AlexNet
  Reimplementation of the classic AlexNet architecture for image classification tasks.

• Attention.ipynb – Attention Mechanism in RNNs for English-to-French Translation
  Implements an attention-based recurrent neural network to perform sequence-to-sequence translation from English to French.

• Autoencoders.ipynb – Image Reconstruction and Denoising with Autoencoders
  Builds autoencoders to reconstruct handwritten digits and remove noise from images using unsupervised learning.

• CNN_Problems.ipynb – Solving Image Tasks with Convolutional Neural Networks
  Applies CNN architectures to address classification and recognition problems using image data.

• Optimization.ipynb – Activation Functions and Optimizers
  Experiments with advanced activation functions (like ReLU) and optimizers (like Adam) to improve training dynamics.

• PyTorch_NNs.ipynb – Neural Network Implementation in PyTorch
  Constructs and trains neural networks using the PyTorch deep learning framework.

• Regularization.ipynb – Applying Dropout and L2 Regularization
  Adds regularization techniques such as dropout and L2 penalty to mitigate overfitting in neural networks.

• VAE.ipynb – Creating a VAE with CNN
  Implementing a variational autoencoder with convolutional neural networks to recreate clothing images

---

Introdução ao Aprendizado Profundo

Projetos e exercícios desenvolvidos para a disciplina de Introdução ao Aprendizado Profundo na Universidade Federal de Minas Gerais (UFMG), Brasil

📁 Visão Geral dos Notebooks (Português)

• AlexNet.ipynb – Implementação da AlexNet
  Reimplementação da arquitetura clássica AlexNet para tarefas de classificação de imagens.

• Attention.ipynb – Sistema de Atenção em RNNs para Tradução Inglês-Francês
  Implementa uma rede neural recorrente com mecanismo de atenção para realizar tradução de sentenças do inglês para o francês.

• Autoencoders.ipynb – Reconstrução e Remoção de Ruído com Autoencoders
  Utiliza autoencoders para reconstruir dígitos manuscritos e remover ruídos de imagens, utilizando aprendizado não supervisionado.

• CNN_Problems.ipynb – Resolvendo Problemas com Redes Convolucionais (CNNs)
  Aplica arquiteturas convolucionais para resolver problemas de classificação e reconhecimento de imagens.

• Optimization.ipynb – Funções de Ativação e Otimizadores
  Testa funções de ativação mais modernas (como ReLU) e otimizadores (como Adam) para melhorar o desempenho do treinamento.

• PyTorch_NNs.ipynb – Redes Neurais com PyTorch
  Constrói e treina redes neurais utilizando a biblioteca PyTorch para deep learning.

• Regularization.ipynb – Adicionando Dropout e Regularização L2
  Aplica técnicas de regularização como dropout e penalidade L2 para reduzir o overfitting nas redes neurais.

• VAE.ipynb – Criando um VAE with CNN
  Implementação de um variational autoencoder com redes neurais convolucionais para recriar imagens de roupas

---

🏫 Institution

Federal University of Minas Gerais (UFMG)
Discipline: Introduction to Deep Learning

---