Graças a este Curso de especialização, aplicará aos seus projetos os métodos de otimização mais avançados para treinar Redes Neuronais Profundas”

O Processamento de Linguagem Natural através do Deep Learning revolucionou completamente a forma como os computadores entendem e geram linguagem humana. Esta tecnologia tem uma vasta gama de aplicações, que vão desde a automatização de tarefas baseadas em texto até à melhoria da segurança online. Um dos campos em que mais se utilizam estes recursos é nas empresas de carácter comercial. Dessa forma, os negócios incluem nas suas plataformas web assistentes virtuais como chatbots para resolver as perguntas dos consumidores em tempo real. Assim, o Aprendizagem Profunda contribui para fornecer respostas relevantes com base no conteúdo de grandes bases de dados.

Neste contexto, a TECH implementa um Curso de especialização que versará minuciosamente sobre o Processamento de Linguagem com Redes Neuronais Recorrentes. Desenhado por especialistas nesta área, o plano de estudos analisará as chaves para a criação do conjunto de dados de treino. Neste sentido, serão analisados os passos a seguir para que os alunos realizem uma correta limpeza e transformação das informações. Adicionalmente, o programa aprofundará a análise de sentimentos com algoritmos para detectar opiniões emergentes e tendências. Por outro lado, a formação abordará a construção de ambientes em OpenAi para que os alunos desenvolvam e avaliem algoritmos de aprendizagem por reforço.

A metodologia da qualificação refletirá a necessidade de flexibilidade e adaptação às exigências profissionais contemporâneas. Com um formato 100% online, permitirá aos estudantes avançar no seu aprendizado sem comprometer as suas responsabilidades laborais. Além disso, a aplicação do sistema Relearning, baseado na repetição de conceitos-chave, assegura uma compreensão profunda e duradoura. Esta abordagem pedagógica reforça a capacidade dos profissionais para aplicar eficazmente os conhecimentos adquiridos na sua prática diária. Por fim, o único requisito para completar este itinerário académico será um dispositivo com acesso à Internet.

Dominará a Arquitetura do Córtex Visual e será capaz de reconstruir modelos tridimensionais de objetos em apenas 6 meses com esta especialização”

Este Curso de especialização em Deep Learning Avançado 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 Avançado
• 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 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 conexão à Internet

Estará capacitado para criar modelos de Inteligência Artificial com uma linguagem natural de primeira qualidade”

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.

Com os resumos interactivos de cada tópico, consolidará de forma mais dinâmica, os conceitos de Convulsão 2D”

A metodologia Relearning, da qual a TECH é pioneira, garantir-lhe-á uma aprendizagem gradual e natural”

Esta formação irá mergulhar os alunos na criação de arquiteturas de Redes Neuronais Artificiais. O plano de estudos aprofundará no Deep Computer Vision, tendo em conta os modelos de processamento de imagem. Além disso, a agenda abordará os algoritmos de seguimento de objetos através de diferentes técnicas de seguimento e localização. Além disso, os alunos adquirirão uma sólida compreensão do processamento de linguagem natural para automatizar atividades como a tradução e a produção de textos coerentes. Os desenvolvedores irão operar a plataforma OpenAi Gym para o desenvolvimento, avaliação e investigação de algoritmos de aprendizagem por reforço.

Aumentará o ao máximo as suas competências através do estudo casos reais e resolução de situações complexas em ambientes de aprendizagem simulados”

Módulo 1. Deep Computer Vision com Redes Neuronais Convolucionais

1.1. A Arquitetura Visual Cortex

1.1.1. Funções do córtex visual
1.1.2. Teoria da visão computacional
1.1.3. Modelos de processamento de imagens

1.2. Camadas convolucionais

1.2.1. Reutilização de pesos na convolução
1.2.2. Convolução 2D
1.2.3. Funções de ativação

1.3. Camadas de agrupamento e implementação de camadas de agrupamento

1.3.1. Pooling e Striding
1.3.2. Flattening
1.3.3. Tipos de Pooling

1.4. Arquitetura CNN

1.4.1. Arquitetura VGG
1.4.2. Arquitetura AlexNet
1.4.3. Arquitetura ResNet

1.5. Implementação de uma CNN ResNet -34 utilizando Keras

1.5.1. Inicialização de pesos
1.5.2. Definição da camada de entrada
1.5.3. Definição da saída

1.6. Utilização de modelos pré-treinados do Keras

1.6.1. Caraterísticas dos modelos pré-treinados
1.6.2. Usos dos modelos pré-treinados
1.6.3. Vantagens dos modelos pré-treinados

1.7. Modelos pré-treinados para a aprendizagem por transferência

1.7.1. A Aprendizagem por transferência
1.7.2. Processo de aprendizagem por transferência
1.7.3. Vantagens do aprendizagem por transferência

1.8. Classificação e Localização em Deep Computer Vision

1.8.1. Classificação de imagens
1.8.2. Localização de objetos em imagens
1.8.3. Detenção de objetos

1.9. Deteção e seguimento de objetos

1.9.1. Métodos de deteção de objetos
1.9.2. Algoritmos de seguimento de objetos
1.9.3. Técnicas de seguimento e localização

1.10. Segmentação semântica

1.10.1. Aprendizagem profunda para a segmentação semântica
1.10.2. Deteção de bordas
1.10.3. Métodos de segmentação baseado sem regras

Módulo 2. Processamento de linguagem natural (PLN) com Redes Neurais Recorrentes (RNN) e Atenção

2.1. Geração de texto utilizando RNN

2.1.1. Treino de uma RNN para geração de texto
2.1.2. Geração de linguagem natural com RNN
2.1.3. Aplicações de geração de texto com RNN

2.2. Criação de conjuntos de dados de treino

2.2.1. Preparação dos dados para o treino de uma RNN
2.2.2. Armazenamento do conjunto de dados de treino
2.2.3. Limpeza e transformação dos dados

2.3. Análise de Sentimento

2.3.1. Classificação da opiniões com RNN
2.3.2. Deteção de temas nos comentários
2.3.3. Análise de sentimento com algoritmos de aprendizagem profunda

2.4. Rede codificadora-descodificadora para a tradução automática neural

2.4.1. Treino de uma RNN para a  tradução automática
2.4.2. Utilização de uma rede encoder-decoder para a tradução automática
2.4.3. Melhoria da precisão da tradução automática com RNNs

2.5. Mecanismos de atenção

2.5.1. Implementação de mecanismos de atenção em RNN
2.5.2. Utilização de mecanismos de atenção para melhorar a precisão dos modelos
2.5.3. Vantagens dos mecanismos de atenção nas redes neuronais

2.6. Modelos Transformers

2.6.1. Uso de modelos Transformers no processamento de linguagem natural
2.6.2. Aplicação de modelos Transformers na visão
2.6.3. Vantagens dos modelos Transformers

2.7. Transformers para a visão

2.7.1. Utilização de modelos Transformers para a visão
2.7.2. Pré-processamento de dados de imagem
2.7.3. Treino de um modelo Transformer para a visão

2.8. Biblioteca de Transformers de Hugging Face

2.8.1. Utilização da biblioteca Transformers de Hugging Face
2.8.2. Aplicação da biblioteca de Transformers de Hugging Face
2.8.3. Vantagens da biblioteca Transformers de Hugging Face

2.9. Outras Bibliotecas de Transformers. Comparação

2.9.1. Comparação entre as diferentes bibliotecas de Transformers
2.9.2. Uso das outras bibliotecas de Transformers
2.9.3. Vantagens das outras bibliotecas de Transformers

2.10. Desenvolvimento de uma aplicação de PLN com RNN e Atenção. Aplicação Prática

2.10.1. Desenvolvimento de uma aplicação de processamento de linguagem natural com RNN e atenção
2.10.2. Utilização de RNN, mecanismos de atenção e modelos Transformers na aplicação
2.10.3. Avaliação da aplicação prática

Módulo 3. Reinforcement Learning

3.1. Otimização das recompensas e a busca de políticas

3.1.1. Algoritmos de otimização de recompensas
3.1.2. Processos de busca de políticas
3.1.3. Aprendizado por reforço para otimizar as recompensas

3.2. OpenAI

3.2.1. Ambiente OpenAI Gym
3.2.2. Criação de ambientes OpenAI
3.2.3. Algoritmos de aprendizado por reforço no OpenAI

3.3. Políticas de redes neuronais

3.3.1. Redes neuronais convolucionais para a busca de políticas
3.3.2. Políticas de aprendizado profundo
3.3.3. Ampliação de políticas de redes neuronais

3.4. Avaliação de ações: o problema da atribuição de créditos

3.4.1. Análise de risco para a atribuição de créditos
3.4.2. Estimativa de rentabilidade de empréstimos
3.4.3. Modelos de avaliação de créditos baseados em redes neuronais

3.5. Gradientes de Política

3.5.1. Aprendizado por reforço com gradientes de política
3.5.2. Otimização de gradientes de política
3.5.3. Algoritmos de gradientes de política

3.6. Processos de decisão de Markov

3.6.1. Otimização de processos de decisão de Markov
3.6.2. Aprendizado por reforço para processos de decisão de Markov
3.6.3. Modelos de processos de decisão de Markov

3.7. Aprendizado de diferenças temporais e Q-Learning

3.7.1. Aplicação de diferenças temporais no aprendizado
3.7.2. Aplicação de Q-Learning no aprendizado
3.7.3. Otimização de parâmetros de Q-Learning

3.8. Implementação de Deep Q-Learning e variantes de Deep Q-Learning

3.8.1. Construção de redes neuronais profundas para Deep Q-Learning
3.8.2. Implementação de Deep Q-Learning
3.8.3. Variações de Deep Q-Learning

3.9. Algoritmos de Reinforment Learning

3.9.1. Algoritmos de aprendizado por reforço
3.9.2. Algoritmos de aprendizado por recompensa
3.9.3. Algoritmos de aprendizado por castigo

3.10. Desenho de um ambiente de aprendizado por Reforço. Aplicação Prática

3.10.1. Desenho de um ambiente de aprendizado por reforço
3.10.2. Implementação de um algoritmo de aprendizado por reforço
3.10.3. Avaliação de um algoritmo de aprendizado por reforço

Terá acesso aos materiais didáticos mais completos do mundo académico, disponíveis numa variedade de formatos multimédia para otimizar a sua aprendizagem”