Adquirir conhecimentos em tecnologias quânticas agora fará de si, um líder em programação num futuro próximo”

Treinar um modelo do zero implica ter uma grande quantidade de informações catalogadas previamente, aproximadamente 10.000 fotos de cada um dos tipos a diferenciar. Isso requer horas até obter bons resultados. Para estes casos, é possível partir de modelos previamente treinados, através do recurso Transfer Learning: este Curso de especialização examina quais modelos de rede estão atualmente disponíveis, a fim de facilitar o treinamento do modelo utilizando esta técnica.

Os alunos analisarão os principais casos de utilização da visão computacional: classificação, deteção de objetos, identificação de objetos, seguimento de objetos. Por exemplo, o Google utiliza estes algoritmos para poder pesquisar a partir de imagens; o Facebook utiliza-os para poder identificar e marcar automaticamente as pessoas numa fotografia.

A Computação Quântica tem avançado rapidamente tanto na teoria como na prática nos últimos anos e, com ela, a esperança de um impacto potencial em aplicações reais. Uma área-chave de interesse e onde a computação quântica está a resultar mais eficiente é no domínio do Machine Learning e a sua aplicação em problemas reais pró-activos, preditivos e prescritivos.

Este programa analisa as situações em que é possível obter uma vantagem quântica, no contexto da análise avançada e da inteligência artificial. O objetivo deste Curso de especialização é mostrar os benefícios que podem proporcionar as tecnologias quânticas atuais e futuras para a aprendizagem automática, concentrando-se em algoritmos que são um desafio para os computadores digitais clássicos, tais como modelos baseados em Kernel, otimização e redes convolucionais.

Sendo um Curso de especialização 100% online, os alunos não estão condicionados a horários fixos ou à necessidade de se deslocarem para outro local físico. Utilizando um dispositivo com acesso à Internet, pode aceder a vastos conteúdos que irão ajudá-lo a adquirir técnicas de computação quântica para alcançar a elite da indústria informática. Tudo isto, a qualquer hora do dia, combinando, ao seu ritmo, a sua vida profissional e pessoal com a sua vida académica.

Esta capacitação permitir-lhe-á progredir na sua carreira de forma confortável”

Este Curso de especialização em Visão Artificial e Computação Quântica conta com o conteúdo educacional mais completo e atualizado do mercado. As suas principais características são: 

• O desenvolvimento de casos práticos apresentados por especialistas em Visão Artificial e Computação Quântica
• Os conteúdos gráficos, esquemáticos e eminentemente práticos com os quais está concebido, reúnem informação prática sobre aquelas disciplinas indispensáveis para o exercício profissional
• Os exercícios práticos, onde o processo de autoavaliação pode ser efetuado a fim de melhorar a aprendizagem
• 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 ligação à Internet

Está perante um mercado emergente onde obter um correto conhecimento e aconselhamento em Computação Quântica será primordial, para aproveitar as evoluções”

O currículo inclui, em seu corpo docente, profissionais do setor que compartilham a experiência do seu trabalho, além de reconhecidos especialistas de sociedades de referência e universidades de prestígio.

O seu conteúdo multimédia, desenvolvido com a mais recente tecnologia educativa, irá permitir que o profissional tenha acesso a uma aprendizagem situada e contextual, isto é, um ambiente de simulação que proporcionará uma capacitação imersiva, programada para treinar em situações reais.

A conceção desta capacitação 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 o apoio de um inovador sistema de vídeo interativo desenvolvido por especialistas conceituados.

Examinará que modelos de redes estão disponíveis atualmente para facilitar o treinamento do seu modelo, aplicando a técnica de Transfer Learning”

Verá os benefícios que podem proporcionar as tecnologias quânticas atuais e futuras à aprendizagem automática, centrando-se nos algoritmos”

Profissionais do setor reuniram em três módulos os últimos avanços em Visão Artificial e Computação Quântica. Este Curso de especialização aborda desde a construção de redes neuronais convolucionais, os circuitos quânticos e os algoritmos de Machine Learning clássicos, passando pelo conceito Transfer Learning e a programação de Computadores Quânticos, entre outros. Para isso, esta especialização explora em profundidade o âmbito de aplicação de cada tecnologia, compreendendo as vantagens competitivas que proporcionam.

Terá uma visão geral das diferentes tecnologias envolvidas da digitalização global e a capacidade de aplicá-las”

Módulo 1. I+D+I.A. Computer vision. Identificação e acompanhamento de objetos

1.1. Visão por Computador

1.1.1. Visão Computacional
1.1.2. Visão Computacional
1.1.3. Interpretação das máquinas de uma imagem

1.2. Funções de ativação

1.2.1. Funções de ativação
1.2.2. Sigmoide
1.2.3. RELU
1.2.4. Tangente hiperbólica
1.2.5. Softmax

1.3. Construção de redes neuronais convolucionais

1.3.1. Operação de convolução
1.3.2. Camada RELU
1.3.3. Pooling
1.3.4. Flattering
1.3.5. Full Connection

1.4. Processo de convolução

1.4.1. Funcionamento de uma Convolução
1.4.2. Código da Convolução
1.4.3. Convolução. Aplicação

1.5. Transformações com imagens

1.5.1. Transformações com imagens
1.5.2. Transformações avançadas
1.5.3. Transformações com imagens. Aplicação
1.5.4. Transformações com imagens. Use Case

1.6. Transfer Learning

1.6.1. Transfer Learning
1.6.2. Transfer Learning. Tipologia
1.6.3. Redes profundas a implementar Transfer Learning

1.7. Visão Computacional Use Case

1.7.1. Classificação de imagens
1.7.2. Detenção de objetos
1.7.3. Identificação de objetivos
1.7.4. Segmentação de objetos

1.8. Detenção de objetos

1.8.1. Deteção a partir da convolução
1.8.2. R-CNN, busca seletiva
1.8.3. Deteção rápida com YOLO
1.8.4. Outras possíveis soluções

1.9. GAN. Redes Generativas Antagónicas, ou Generative Adversarial Networks

1.9.1. Redes Generativas Antagónicas
1.9.2. Código para uma GAN
1.9.3. GAN. Aplicação

1.10. Aplicação de modelos de Computer Vision

1.10.1. Organização de conteúdos
1.10.2. Motores de busca visual
1.10.3. Reconhecimento facial
1.10.4. A realidade aumentada
1.10.5. Condução autónoma
1.10.6. Identificação de falha na linha de montagem
1.10.7. Identificação de pragas
1.10.8. Saúde

Módulo 2. Quantum Computing. Um novo modelo de computação

2.1. Computação Quântica

2.1.1. Diferenças com a Computação Clássica
2.1.2. Necessidade da Computação Quântica
2.1.3. Computadores Quânticos disponíveis: natureza e tecnologia

2.2. Aplicações da Computação Quântica

2.2.1. Aplicações da computação quântica frente à computação clássica
2.2.2. Contextos de uso
2.2.3. Aplicação em casos reais

2.3. Fundamentos Matemáticos da computação quântica

2.3.1. Complexidade computacional
2.3.2. Experimento da dupla fenda. Partículas e ondas
2.3.3. O entrelaçamento

2.4. Fundamentos Geométricos da Computação Quântica

2.4.1. Qubit e espaço de Hilbert Bidimensional complexo
2.4.2. Formalismo Geral de Dirac
2.4.3. Estados de N-Qubits e espaço de Hilbert de dimensão 2n

2.5. Fundamentos Matemáticos Álgebra Linear

2.5.1. O produto interno
2.5.2. Operadores hermitianos
2.5.3. Valores próprios e vetores próprios

2.6. Circuitos Quânticos

2.6.1. Os estados de Bell e as matrizes de Pauli
2.6.2. Portas lógicas quânticas
2.6.3. Portas de controlo quânticas

2.7. Algoritmos Quânticos

2.7.1. Portas quânticas reversíveis
2.7.2. Transformada de Fourier Quântica
2.7.3. Teletransporte Quântico

2.8. Algoritmos que demonstram a Supremacia Quântica

2.8.1. Algoritmo de Deutsch
2.8.2. Algoritmo de Shor
2.8.3. Algoritmo de Grover

2.9. Programação de Computadores Quânticos

2.9.1. O meu primeiro programa em Qiskit (IBM)
2.9.2. O meu primeiro programa em Ocean (Dwave)
2.9.3. O meu primeiro programa em Cirq (Google)

2.10. Aplicação sobre Computadores Quânticos

2.10.1. Criação de Portas Lógicas

2.10.1.1. Criação de uma Somadora Digital Quântica

2.10.2. Criação de Jogos Quânticos
2.10.3. Comunicação secreta de chaves entre Bob e Alice

Módulo 3. Quantum Machine Learning. A Inteligência Artificial (I.A) do futuro

3.1. Algoritmos de Machine Learning Clássicos

3.1.1. Modelos descritivos, preditivos, proativos e prescritivos O Descida do Gradiente
3.1.2. Modelos Supervisionados e Não Supervisionados
3.1.3. Redução de características, PCA, Matriz de Covariância, SVM, Redes neuronais
3.1.4. A otimização em ML: O Descida do Gradiente

3.2. Algoritmos de Deep Learning Clássicos

3.2.1. Redes de Boltzmann. A revolução em Machine Learning
3.2.2. Modelos de Deep Learning. CNN, LSTM, GANs
3.2.3. Modelos Encoder-Decoder
3.2.4. Modelos de Análise de Sinais. Análise de Fourier

3.3. Classificadores Quânticos

3.3.1. Geração de um classificador quântico
3.3.2. Codificação dos dados em estados quânticos por amplitude
3.3.3. Codificação dos dados em estados quânticos por fase/ângulo
3.3.4. Codificação de alto nível

3.4. Algoritmos de Otimização

3.4.1. Quantum Approximate Optimization Algorithm (QAOA)
3.4.2. Variational Quantum Eigensolvers (VQE)
3.4.3. Quadratic Unconstrained Binary Optimization (QUBO)

3.5. Algoritmos de Otimização. Exemplos

3.5.1. PCA com circuitos quânticos
3.5.2. Otimização de pacotes de valores bursáteis
3.5.3. Otimização de rotas logísticas

3.6. Quantum Kernels Machine Learning

3.6.1. Variational quantum classifiers. QKA
3.6.2. Quantum Kernel Machine Learning
3.6.3. Classificação baseada em Quantum Kernel
3.6.4. Clustering baseados em Quantum Kernel

3.7. Quantum Neural Networks

3.7.1. Redes Neuronais Clássicas e o Perceptrão
3.7.2. Redes Neuronais Quânticas e o Perceptrão
3.7.3. Redes Neuronais Convolucionais Quânticas

3.8. Algoritmos Avançados de Deep Learning (DL)

3.8.1. Quantum Boltzmann Machines
3.8.2. General Adversarial Networks
3.8.3. Quantum Fourier transformation, quantum phase estimation and quantum matrix

3.9. Machine Learning. Use Case

3.9.1. Experimentação com VQC (Variational Quantum Classifier)
3.9.2. Experimentação com VQC Quantum Neural Networks
3.9.3. Experimentação com GANs

3.10. Computação Quântica e a Inteligência Artificial

3.10.1. Capacidade Quântica em Modelos de ML
3.10.2. Quantum Knowledge Graphs
3.10.3. O futuro da Inteligência Artificial Quântica

Esta perante a melhor qualificação para aprender sobre os últimos avanços em Visão Artificial e Computação Quântica”