Fique a par das últimas novidades em Inteligência Artificial e especialize-se na criação de modelos avançados com o Curso de especialização em Deep Learning”

A Inteligência Artificial é uma das áreas mais promissoras no mundo da tecnologia e está a transformar rapidamente o mundo. O Deep Learning é cada vez mais utilizado em diversos campos, desde a visão computacional até à tradução automática, e a sua procura no mercado de trabalho está a crescer rapidamente. No entanto, implica uma grande complexidade algorítmica e, dado o ritmo acelerado dos avanços nesta área, uma grande quantidade de formações académicas ficaram obsoletas, em detrimento dos profissionais da Informática.

Felizmente, o Curso de especialização em Deep Learning é um currículo académico totalmente atualizado que oferece uma preparação sólida no campo da Inteligência Artificial, com um enfoque específico no Deep Learning. A especialização foi desenhada para fornecer aos estudantes os conhecimentos e as competências necessárias para desenvolver projetos nesta área e para dominar o funcionamento dos algoritmos de aprendizagem profunda. Para tal, explorarão o uso do TensorFlow para construir modelos personalizados ou as derivadas das funções vetoriais para aprender automaticamente, além de explorar a funcionalidade das bibliotecas de Transformers da Hugging Face.

O curso é 100% online e conta com a metodologia pedagógica inovadora do Relearning, que se baseia na retroalimentação constante e na adaptação às necessidades individuais dos estudantes, através da repetição orientada. O Curso de especialização em Deep Learning também oferece flexibilidade para a organização dos recursos académicos, permitindo aos estudantes adaptar o seu ciclo educativo às suas próprias necessidades e horários.

Mergulhe no fascinante mundo dos algoritmos de aprendizagem profunda e adquira conhecimentos especializados que o permitirão destacar-se no campo da Ciência de Dados”

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 eminentemente práticos com que está concebido, fornecem informações Tecnológico 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

Aproveite a oportunidade de especializar-se com os melhores profissionais em Inteligência Artificial”

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.

Desfrute de uma educação de vanguarda que vai permitir-lhe fazer parte da revolução digital e marcar a diferença no seu futuro profissional”

Actualize-se sobre a arquitetura das redes neuronais e os seus diferentes tipos para resolver problemas quotidianos através do Deep Learning”

O programa educativo deste Curso de especialização guiará os estudantes através de uma ampla trajetória académica que abrange desde os princípios matemáticos do Deep Learning até ao treino de redes neuronais profundas, a avaliação de modelos de aprendizagem profunda e a visualização de resultados. O plano de estudos é exaustivo e complementado com uma variedade de recursos didáticos inovadores disponíveis no Campus Virtual da especialização.

Aceda ao plano de estudos com a visão mais atualizada e integral do Deep Learning”

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

Especialize-se na aplicação do Fine Tuning aos modelos de IA através dos inovadores conteúdos do Curso de especialização”