Dominará os princípios do Deep Learning e gerará as previsões mais precisas com este Curso de especialização 100% online”

As Redes Neurais são a base fundamental do Aprendizado Profundo. Inspiradas no funcionamento do cérebro humano e compostas por neurônios, esses sistemas fornecem a base computacional para que as máquinas aprendam de forma eficiente e automática a partir dos dados. Dessa maneira, realizam tarefas complexas com desempenho semelhante e até superior ao humano em diversas funções, como tradução automática ou análise de grandes conjuntos de dados. No entanto, essas ferramentas ainda enfrentam vários desafios que limitam sua eficácia e aplicabilidade em certas áreas. Por isso, os especialistas têm a responsabilidade de atualizar constantemente seus conhecimentos, para se manterem a par de todos os avanços nesse campo e incorporá-los à sua prática para otimizar seus processos.

Nesse contexto, a TECH cria um Curso de especialização que oferecerá uma compreensão sólida sobre o funcionamento do Deep Learning, além das ferramentas mais avançadas para construir Redes Neurais. O plano de estudos abrangerá desde fundamentos matemáticos chave (como funções ou derivadas) até os princípios do Aprendizado Supervisionado (incluindo diferentes modelos, métricas de avaliação e seleção de hiperparâmetros). Além disso, o conteúdo se concentrará nas inúmeras utilidades do Aprendizado Profundo, para que os graduados estejam cientes da situação atual do mercado de trabalho e aumentem suas chances de sucesso em áreas como automação, informática, biologia e finanças. Vale ressaltar que o Curso de especialização incluirá a análise de casos reais em ambientes de aprendizado simulado. Dessa forma, os alunos extrairão valiosas lições que incorporarão aos seus processos para garantir a viabilidade.

Para consolidar todo esse conteúdo, a TECH utiliza a inovadora metodologia do Relearning. Essa abordagem baseia-se em retroalimentação constante e adaptação das necessidades individuais dos alunos, fundamentada na repetição dirigida. Com qualquer dispositivo eletrônico com acesso à internet, os alunos poderão acessar o Campus Virtual e beneficiar-se dos conteúdos didáticos mais completos do mercado educativo.

Deseja especializar-se na utilização de Máquinas de Aprendizagem Supervisionada? Obtenha-o através de 540 horas do melhor ensino digital”

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

Irá entrar no mundo dos algoritmos de aprendizagem profunda e adquirir conhecimentos técnicos que permitirão que se destaque na área das Ciências Sociais”

O corpo docente do programa inclui profissionais do setor que trazem para esta formação a experiência do seu trabalho, bem como especialistas reconhecidos de sociedades de referência e de universidades de prestígio.

O seu conteúdo multimédia, elaborado com a última tecnologia educativa, permitirá ao profissional um aprendizado situado e contextual, ou seja, um ambiente simulado que proporcionará uma capacitação imersiva programada para se treinar 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.

Aprofundará a arquitetura das Redes Neuronais e os seus diferentes tipos para resolver problemas quotidianos através do Deep Learning”

Um conteúdo programático completo que incorpora todos os conhecimentos necessários para dar um passo em direção à mais alta qualidade em Visão Artificial”

O Curso de especialização foi concebido para que os estudantes adquiram uma visão integral sobre as diversas aplicações do Deep Learning. Por este motivo, o percurso académico abrangerá desde os seus princípios matemáticos até ao treino de redes neuronais profundas. Além disso, o plano de estudos focar-se-á na avaliação de modelos de Aprendizagem Profunda e na visualização de resultados. Durante a especialização, os estudantes desenvolverão competências avançadas que lhes permitirão implementar de forma eficaz o perceptrão multicamada com Keras. Deste modo, os estudantes realizarão tarefas de aprendizagem em diferentes domínios e executarão uma variedade de tarefas de processamento de dados.

Em somente 6 meses, será capaz de desenvolver uma Rede Neuronal completa, do início ao fim”

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

Terá à sua disposição uma ampla gama de recursos didáticos, acessíveis 24 horas por dia, 7 dias por semana”