Combine a Deep Learning com a visão computacional graças a este Curso de especialização que lhe oferece todos os últimos desenvolvimentos desta tecnologia em expansão" 

A inteligência artificial revolucionou o panorama tecnológico. Os seus princípios são aplicados em vários âmbitos e são de grande importância em áreas como a saúde, que utiliza esta tecnologia para melhorar os processos de diagnóstico e os tratamentos. A Deep Learning é uma área essencial em todo este processo, uma vez que determina a forma como a tarefa de aprendizagem será executada pela máquina. 

Assim, ao combinar o potencial da Deep Learning com outra disciplina, como a visão artificial, é possível obter resultados espetaculares em todos os tipos de setores. A combinação destas duas especialidades permite obter uma recolha e uma leitura visual completa e aprofundada dos dados, aperfeiçoando a realização de tarefas tecnológicas complexas. Este Curso de especialização oferece, assim, ao profissional de informática a possibilidade de aceder às últimas inovações nesta área, para que possam incorporar no seu trabalho novos conhecimentos sobre redes neuronais e as suas funções de ativação, redes neuronais convolucionais e deteção de objetos, entre outros. 

Tudo isto baseando-se numa metodologia de ensino 100% online que permitirá ao profissional escolher como, quando e onde estudar, adaptando-se às suas circunstâncias pessoais. Para além disso, o profissional de informática que conclua este Curso de especialização terá acesso aos melhores conteúdos multimédia sob a forma de casos de estudo, vídeos, masterclasses e resumos multimédia, entre muitos outros recursos. Para além disso, o corpo docente mais experiente orientará todo o processo, garantindo que o profissional receba os conhecimentos mais atualizados e práticos. 

Desenvolva poderosas ferramentas de visão computacional a partir da Deep Learning com este Curso de especialização inovador e especializado"

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

• O desenvolvimento de casos práticos apresentados por especialistas em Deep Learning, informática e visão artificial 
• O conteúdo gráfico, esquemático e eminentemente prático fornece informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional 
• Exercícios práticos onde o processo de autoavaliação pode ser levado a cabo para melhorar a aprendizagem 
• A sua ênfase especial em metodologias inovadoras
• As lições teóricas, perguntas a especialistas, 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 

Sabe que a inteligência artificial é o presente e o futuro. Não perca esta oportunidade de conhecer os últimos avanços em Deep Learning Aplicado à Visão Computacional"

O corpo docente do Curso de especialização inclui profissionais do setor que trazem a sua experiência profissional para esta capacitação, para além de especialistas reconhecidos de sociedades de referência e universidades de prestígio.

Os seus conteúdos multimédia, desenvolvidos com a mais recente tecnologia educativa, permitirão ao profissional uma aprendizagem situada e contextual, ou seja, um ambiente simulado que proporcionará uma capacitação imersiva programada para praticar em situações reais.

A estrutura deste Curso de especialização centra-se na Aprendizagem Baseada em Problemas, na qual o profissional deve tentar resolver as diferentes situações de prática profissional que surgem durante a qualificação. Para tal, contará com a ajuda de um sistema inovador de vídeos interativos criados por especialistas reconhecidos. 

Este é o Curso de especialização que procurava. Matricule-se agora e progrida profissionalmente no setor da tecnologia"

As melhores empresas informáticas e tecnológicas estão a concentrar todos os seus esforços nestas áreas. Não fique para trás"

O conteúdo deste Curso de especialização em Deep Learning Aplicado à Visão Computacional foi cuidadosamente concebido pelos principais especialistas em inteligência artificial. Por esta razão, este conhecimento é o mais recente e aprofundado, e o profissional de informática terá a oportunidade de aprofundar os seus conhecimentos sobre as últimas inovações em questões como métricas de avaliação de redes neuronais, tipos de camadas CNN, treino com regularização ou conjuntos de dados, entre muitas outras. 

Estes conteúdos torná-lo-ão num grande especialista em  Deep Learning e visão artificial"

Módulo 1. Deep Learning

1.1. Inteligência artificial 

1.1.1. Machine Learning 
1.1.2. Deep Learning 
1.1.3. A explosão do Deep Learning. Porquê agora?

1.2. Redes neurais 

1.2.1. A rede neural 
1.2.2. Utilizações das redes neurais 
1.2.3. Regressão linear e perceptron 
1.2.4. Forward propagation 
1.2.5. Backpropagation 
1.2.6. Feature vectors 

1.3. Loss Functions 

1.3.1. Loss Function 
1.3.2. Tipos de Loss Functions 
1.3.3. Escolha da Loss Function 

1.4. Funções de ativação 

1.4.1. Função de ativação 
1.4.2. Funções lineares 
1.4.3. Funções não lineares 
1.4.4. Saída vs. Hidden Layer Activation Functions 

1.5. Regularização e normalização 

1.5.1. Regularização e normalização 
1.5.2. Overfitting and Data Augmentation 
1.5.3. Métodos de regularização: L1, L2 e Dropout 
1.5.4. Métodos de normalização: Batch, Weight, Layer 

1.6. Otimização 

1.6.1. Gradient Descent 
1.6.2. Stochastic Gradient Descent 
1.6.3. Mini Batch Gradient Descent 
1.6.4. Momentum 
1.6.5. Adam 

1.7. Hyperparameter Tuning e pesos 

1.7.1. Os hiperparâmetros 
1.7.2. Batch Size vs. Learning Rate vs. Step Decay 
1.7.3. Pesos 

1.8. Métricas de avaliação de redes neurais 

1.8.1. Exatidão 
1.8.2. Dice coefficient 
1.8.3. Sensibilidade vs. Especificidade/Recall vs. Precisão 
1.8.4. Curva ROC (AUC) 
1.8.5. F1-score 
1.8.6. Matriz de confusão 
1.8.7. Validação cruzada 

1.9. Frameworks e Hardware 

1.9.1. Fluxo Tensorial 
1.9.2. Pytorch 
1.9.3. Caffe 
1.9.4. Keras 
1.9.5. Hardware para a fase de treino 

1.10. Criação de redes neurais - treino e validação 

1.10.1. Dataset 
1.10.2. Construção da rede 
1.10.3. Treino 
1.10.4. Visualização de resultados 

Módulo 2. Redes convolucionais e classificação de imagens 

2.1. Redes neurais convolucionais 

2.1.1. Introdução 
2.1.2. Convolução 
2.1.3. CNN Building Blocks

2.2. Tipos de camadas CNN 

2.2.1. Convolucional 
2.2.2. Ativação 
2.2.3. Batch normalization 
2.2.4. Polling 
2.2.5. Fully connected 

2.3. Métricas 

2.3.1. Matriz de Confusão 
2.3.2. Exatidão 
2.3.3. Precisão 
2.3.4. Recall 
2.3.5. F1 Score 
2.3.6. Curva ROC 
2.3.7. AUC 

2.4. Arquiteturas 

2.4.1. AlexNet 
2.4.2. VGG 
2.4.3. Resnet 
2.4.4. GoogleLeNet 

2.5. Classificação de imagens 

2.5.1. Introdução 
2.5.2. Análises dos dados 
2.5.3. Preparação de dados 
2.5.4. Treino do modelo 
2.5.5. Validação do modelo

2.6. Considerações práticas para o treino CNN 

2.6.1. Seleção do otimizador 
2.6.2. Learning Rate Scheduler 
2.6.3. Comprovação do pipeline de treino 
2.6.4. Treino com regularização 

2.7. Melhores práticas em Deep Learning 

2.7.1. Aprendizagem por Transferência 
2.7.2. Fine Tuning 
2.7.3. Data Augmentation 

2.8. Avaliação estatística de dados 

2.8.1. Número de datasets 
2.8.2. Número de etiquetas 
2.8.3. Número de imagens 
2.8.4. Equilíbrio de dados 

2.9. Implementação 

2.9.1. Poupança de modelos 
2.9.2. Onnx 
2.9.3. Inferência 

2.10. Caso de estudo: classificação de imagens 

2.10.1. Análise e preparação dos dados 
2.10.2. Testar o pipeline de treino 
2.10.3. Treino do modelo 
2.10.4. Validação do modelo 

Módulo 3. Detenção de objetos 

3.1. Deteção e seguimento de objetos 

3.1.1. Detenção de objetos 
3.1.2. Casos de utilização 
3.1.3. Seguimento de objetos 
3.1.4. Casos de utilização 
3.1.5. Oclusões, Poses Rígidas e Não Rígidas 

3.2. Métricas de avaliação 

3.2.1. IOU - Intersection Over Union 
3.2.2. Índice de Confiança 
3.2.3. Recall 
3.2.4. Precisão 
3.2.5. Recall–Precisión Curve 
3.2.6. Mean Average Precision (mAP) 

3.3. Métodos tradicionais 

3.3.1. Sliding window 
3.3.2. Viola detector 
3.3.3. HOG 
3.3.4. Non Maximal Supresion (NMS) 

3.4. Datasets 

3.4.1. Pascal VC 
3.4.2. MS Coco 
3.4.3. ImageNet (2014) 
3.4.4. MOTA Challenge 

3.5. Detetor de Objetos de Dois Disparos 

3.5.1. R-CNN 
3.5.2. Fast R-CNN 
3.5.3. Faster R-CNN 
3.5.4. Mask R-CNN 

3.6. Detetor de Objetos de Disparo Único 

3.6.1. SSD 
3.6.2. YOLO 
3.6.3. RetinaNet 
3.6.4. CenterNet 
3.6.5. EfficientDet 

3.7. Backbones 

3.7.1. VGG 
3.7.2. ResNet 
3.7.3. Mobilenet 
3.7.4. Shufflenet 
3.7.5. Darknet 

3.8. Rastreamento de Objetos 

3.8.1. Abordagens clássicas 
3.8.2. Filtros de partículas 
3.8.3. Kalman 
3.8.4. Sort tracker 
3.8.5. Deep Sort 

3.9. Implementação 

3.9.1. Plataforma de computação 
3.9.2. Escolha do Backbone 
3.9.3. Escolha do Framework 
3.9.4. Otimização de modelos 
3.9.5. Versão dos modelos 

3.10. Estudo: deteção e rastreamento de pessoas 

3.10.1. Deteção de pessoas 
3.10.2. Rastreamento de pessoas 
3.10.3. Reidentificação 
3.10.4. Contagem de pessoas em multidões

Não espere mais e aceda aos conteúdos mais especializados nestes poderosos ramos da inteligência artificial"