Graças aos conhecimentos sólidos que esta especialização proporciona, o estudante irá adentrar-se nesta importante área da inteligência artificial, centrada na construção de algoritmos inspirados no funcionamento do cérebro humano, com uma metodologia eficaz e em formato 100% online”

O Deep Learning é uma das principais tecnologias por trás da inteligência artificial e tem impulsionado muitos avanços em áreas como visão computacional, processamento de linguagem natural e robótica. Por exemplo, a tecnologia de reconhecimento de voz da Amazon Alexa apresenta uma taxa de precisão de 95%, baseada nesta vertente da IA. Assim, pode ser utilizado para resolver problemas importantes na sociedade, como a deteção precoce de doenças, a previsão de desastres naturais e a luta contra as alterações climáticas. Por exemplo, o Deep Learning foi utilizado para prever o derretimento dos glaciares com uma precisão de 96%.

Neste contexto, a TECH desenhou uma especialização abrangente na qual o aluno se aprofundará nos princípios do Deep Learning e explorará os seus fundamentos matemáticos. Dessa forma, realizar esta qualificação constitui uma excelente opção de crescimento profissional, devido à crescente procura de profissionais qualificados na área, ao aumento do investimento em IA, às suas diversas aplicações, aos recursos e comunidades de apoio disponíveis, ao desafio intelectual que apresenta e ao seu potencial para a inovação.

E para facilitar o processo de aprendizagem do estudante, a TECH criou este programa completo baseado na exclusiva metodologia Relearning. Um processo de ensino concebido para que o estudante integre os conceitos fundamentais de forma progressiva e natural, através da repetição dos mesmos. Assim, adquirirá as competências necessárias ajustando o estudo ao seu ritmo de vida.

Tudo isso apresentado num formato totalmente online. Deste modo, o profissional foca-se apenas no seu aprendizado, sem necessidade de deslocações ou de ajustar-se a horários preestabelecidos. Além disso, poderá aceder aos conteúdos teóricos e práticos de qualquer lugar e a qualquer momento, bastando ter um dispositivo com conexão à internet.

Especialize-se num setor em ascensão e destaque-se numa vasta gama de aplicações, como a visão por computador, o processamento de linguagem natural, a robótica e o reconhecimento de voz”

Este Curso de especialização em Deep Learning conta com o conteúdo educacional mais completo e atualizado do mercado. As suas principais características são:

• O desenvolvimento de estudos de casos apresentados por especialistas em Deep Learning
• Os conteúdos gráficos, esquemáticos e predominantemente práticos com que está concebido fornecem informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Os exercícios práticos onde realizar o processo de autoavaliação para melhorar o aprendizado
• O seu foco especial em metodologias inovadoras
• As aulas teóricas, perguntas ao especialista, fóruns de discussão sobre questões controversas e atividades de reflexão individual
• A disponibilidade de acesso aos conteúdos a partir de qualquer dispositivo fixo ou portátil com conexão à Internet

Com a metodologia Relearning, adquirirá os conhecimentos de forma progressiva e com total flexibilidade. Um programa que se adapta a si”

O curso inclui no seu corpo docente, profissionais do setor que trazem a experiência do seu trabalho para esta formação, bem como especialistas reconhecidos das principais sociedades e universidades de prestígio.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, permitirá ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma formação imersiva programada para treinar-se em situações reais.

O design deste curso foca-se na Aprendizagem Baseada em Problemas, através da qual o profissional deverá tentar resolver as diferentes situações da atividade profissional que surgem ao longo do curso. Para tal, contará com a ajuda de um sistema inovador de vídeo interativo desenvolvido por especialistas reconhecidos.

Concilie as suas responsabilidades pessoais e profissionais com os seus estudos graças a este Curso de especialização. 100% flexível e online”

Aprenda a realizar métricas de avaliação e a determine os métodos de otimização da Deep Learning com esta exaustiva especialização”

O método Relearning, que se baseia na repetição constante de conceitos-chave ao longo do curso, permitirá ao engenheiro obter uma aprendizagem avançada e eficaz sem ter de dedicar longas horas de estudo. Desta forma, o profissional poderá aprofundar um plano de estudos completo sobre funções aninhadas, modelos de redes neuronais ou aplicações de aprendizagem profunda.

Terá acesso a um currículo concebido por especialistas, com conteúdos de elevada qualidade, para que a sua aprendizagem seja bem sucedida”

Módulo 1. Fundamentos Matemáticos de Deep Learning

1.1. Funções e Derivadas

1.1.1. Funções lineares
1.1.2. Derivadas parciais
1.1.3. Derivadas de ordem superior

1.2. Funções aninhadas

1.2.1. Funções compostas
1.2.2. Funções inversas
1.2.3. Funções recursivas

1.3. A regra da cadeia

1.3.1. Derivadas de funções aninhadas
1.3.2. Derivadas de funções compostas
1.3.3. Derivadas de funções inversas

1.4. Funções com múltiplas entradas

1.4.1. Funções de várias variáveis
1.4.2. Funções vetoriais
1.4.3. Funções matriciais

1.5. Derivadas de funções com entradas múltiplas

1.5.1. Derivadas parciais
1.5.2. Derivadas direcionais
1.5.3. Derivadas mistas

1.6. Funções com múltiplas entradas vetoriais

1.6.1. Funções vetoriais lineares
1.6.2. Funções vetoriais não lineares
1.6.3. Funções vetoriais de matriz

1.7. Criação de novas funções a partir de funções existentes

1.7.1. Soma de funções
1.7.2. Produto de funções
1.7.3. Composição de funções

1.8. Derivadas de funções com múltiplas entradas vetoriais

1.8.1. Derivadas de funções lineares
1.8.2. Derivadas de funções não lineares
1.8.3. Derivadas de funções compostas

1.9. Funções vetoriais e suas derivadas: Um passo além

1.9.1. Derivadas direcionais
1.9.2. Derivadas mistas
1.9.3. Derivadas matriciais

1.10. O Backward Pass

1.10.1 Propagação de erros
1.10.2 Aplicação de regras de atualização
1.10.3 Otimização de parâmetros

Módulo 2. Princípios de Deep Learning

2.1. O Aprendizado Supervisado

2.1.1. Máquinas de aprendizado supervisado
2.1.2. Usos do aprendizado supervisado
2.1.3. Diferenças entre aprendizado supervisado e não supervisado

2.2. Modelos de aprendizado supervisado

2.2.1. Modelos lineares
2.2.2. Modelos de árvores de decisão
2.2.3. Modelos de redes neuronais

2.3. Regressão linear

2.3.1. Regressão linear simples
2.3.2. Regressão linear múltipla
2.3.3. Análise de regressão

2.4. Treino do modelo

2.4.1. Batch Learning
2.4.2. Online Learning
2.4.3. Métodos de Otimização

2.5. Avaliação do modelo: Conjunto de treino versus conjunto de teste

2.5.1. Métricas de avaliação
2.5.2. Validação cruzada
2.5.3. Comparação de conjuntos de dados

2.6. Avaliação do modelo: O código

2.6.1. Geração de previsões
2.6.2. Análise de erros
2.6.3. Métricas de avaliação

2.7. Análise das variáveis

2.7.1. Identificação de variáveis relevantes
2.7.2. Análise de correlação
2.7.3. Análise de regressão

2.8. Explicabilidade dos modelos de redes neuronais

2.8.1. Modelos interpretáveis
2.8.2. Métodos de visualização
2.8.3. Métodos de avaliação

2.9. Otimização

2.9.1. Métodos de otimização
2.9.2. Técnicas de regularização
2.9.3. A utilização de gráficos

2.10. Hiperparâmetros

2.10.1. Seleção de hiperparâmetros
2.10.2. Pesquisa de parâmetros
2.10.3. Ajuste de hiperparâmetros

Módulo 3. As redes neuronais, a base da Deep Learning

3.1. Aprendizagem Profunda

3.1.1. Tipos de aprendizagem profunda
3.1.2. Aplicações da aprendizagem profunda
3.1.3. Vantagens e desvantagens da aprendizagem profunda

3.2. Operações

3.2.1. Adição
3.2.2. Produto
3.2.3. Transferência

3.3. Camadas

3.3.1. Camada de entrada
3.3.2. Camada oculta
3.3.3. Camada de saída

3.4. Ligação de Camadas e Operações

3.4.1. Design de arquiteturas
3.4.2. Conexão entre camadas
3.4.3. Propagação para a frente

3.5. Construção da primeira rede neuronal

3.5.1. Design da rede
3.5.2. Estabelecer os pesos
3.5.3. Treino da rede

3.6. Treinador e Otimizador

3.6.1. Seleção do otimizador
3.6.2. Estabelecimento de uma função de perda
3.6.3. Estabelecimento de uma métrica

3.7. Aplicação dos Princípios das Redes Neuronais

3.7.1. Funções de ativação
3.7.2. Propagação para trás
3.7.3. Ajuste dos parâmetros

3.8. Dos neurónios biológicos aos neurónios artificiais

3.8.1. Funcionamento de um neurónio biológico
3.8.2. Transferência de conhecimentos para os neurónios artificiais
3.8.3. Estabelecer de relações entre os dois

3.9. Implementação do MLP (Perceptron Multicamadas) com o Keras

3.9.1. Definição da estrutura da rede
3.9.2. Compilação do modelo
3.9.3. Treino do modelo

3.10. Hiperparâmetros de Fine tuning de Redes Neuronais

3.10.1. Seleção da função de ativação
3.10.2. Estabelecer o learning rate
3.10.3. Ajuste dos pesos

Um plano de estudos concebido para torná-lo um especialista em Deep Learning”