O exclusivo sistema Relearning da TECH permitirá que atualize os seus conhecimentos e competências sobre a Arquitetura Visual Cortex da forma mais rigorosa”

Existem uma infinidade de recursos destinados ao desenvolvimento e treinamento de modelos de Redes Neuronais. Neste contexto, o Keras tornou-se a biblioteca mais utilizada pelos profissionais devido à sua facilidade de uso, flexibilidade e compatibilidade com outras bibliotecas. Esta biblioteca de código aberto oferece aos desenvolvedores uma Interface de Programação de Aplicações de alto nível, permitindo-lhes construir modelos de Aprendizagem Profunda com rapidez. Desta forma, contribui para a criação de modelos de classificação de imagens capazes de identificar diferentes objetos nas fotografias. Isso é particularmente útil para sistemas de reconhecimento de rostos, classificação de imagens médicas ou criação de arte generativa. 

Neste contexto, a TECH  implementa um Curso de especialização que se concentrará na Deep Computer Vision com Redes Neuronais Convolucionais. Para isso, o percurso académico aprofundar-se-á no Treinamento por Transferência de Aprendizagem, levando em consideração fatores como as técnicas de inicialização de pesos e os termos de suavização. Assim, os alunos aproveitarão o conhecimento prévio adquirido com modelos pré-treinados para melhorar o desempenho em novas tarefas de aprendizagem automática. A especialização também abordará a construção de uma aplicação em Deep Learning utilizando TensorFlow e NumPy. Isso permitirá aos profissionais utilizar estas ferramentas de forma otimizada em áreas como a previsão de resultados. 

A especialização será oferecida de forma 100% online, numa plataforma virtual de estudos que não está sujeita a horários predefinidos. Longe disso, cada estudante terá a oportunidade de gerir os seus progressos de forma personalizada, a qualquer momento das 24 horas do dia. Uma das características mais distintivas da metodologia é o processo de aprendizagem que a TECH utiliza em todas as suas qualificações: o Relearning. Este sistema de ensino promove a aquisição de competências de forma rápida e flexível, a partir da análise dos conteúdos teóricos e da exemplificação de casos baseados no contexto real da profissão.

Estará equipado para contribuir para o avanço do conhecimento na área da Aprendizagem Profunda, através da investigação e desenvolvimento de novos algoritmos” 

Este Curso de especialização de Redes Neuronais e Treinamento em Deep Learning conta com o conteúdo científico mais completo e atualizado do mercado. As suas principais características são: 

• O desenvolvimento de estudos de casos apresentados por especialistas em Redes Neuronais e Treinamento 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 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

Otimizará as suas competências no design de modelos de Aprendizagem Profunda para gerar soluções eficazes para os projetos”

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.  

Dominará o ambiente computacional do NumPy e realizará operações numéricas em matrizes multidimensionais"

Acederá a uma biblioteca multimédia repleta de conteúdos dinâmicos que fortalecerão o seu aprendizado de uma forma mais visual"

Esta formação foi concebida por especialistas na área de Redes Neuronais e Deep Learning, com o objetivo de proporcionar-lhe uma visão integral sobre estas matérias. O plano de estudos analisará em detalhe o treino das redes neuronais de múltiplas camadas, abrangendo desde técnicas de otimização de gradiente até à seleção de métricas e parâmetros de avaliação. Deste modo, os alunos otimizarão os seus parâmetros internos para realizar tarefas específicas com alta precisão e capacidade de generalização. Além disso, o programa aprofundar-se-á no adequado manuseio do TensorFlow, um dos softwares mais eficazes tanto para construir como treinar modelos de aprendizagem automática. 

Entrará num processo de crescimento profissional que o equipará com competências avançadas, para que destaque-se no campo da Visão Artificial” 

Módulo 1. Treino de redes neuronais profundas

1.1. Problemas de Gradientes

1.1.1. Técnicas de otimização de gradiente
1.1.2. Gradientes Estocásticos
1.1.3. Técnicas de inicialização de pesos

1.2. Reutilização de camadas pré-treinadas

1.2.1. Treino de transferência de aprendizagem
1.2.2. Extração de caraterísticas
1.2.3. Aprendizagem profunda

1.3. Otimizadores

1.3.1. Otimizadores estocásticos de gradiente descendente
1.3.2. Otimizadores Adam e RMSprop
1.3.3. Otimizadores de momento

1.4. Programação da taxa de aprendizagem

1.4.1. Controlo de taxa sobre aprendizagem automática
1.4.2. Ciclos de aprendizagem
1.4.3. Termos de suavização

1.5. Sobreajuste

1.5.1. Validação cruzada
1.5.2. Regularização
1.5.3. Métricas de avaliação

1.6. Orientações práticas

1.6.1. Design do modelo
1.6.2. Seleção de métricas e parâmetros de avaliação
1.6.3. Teste de hipóteses

1.7. Transfer learning

1.7.1. Treino de transferência de aprendizagem
1.7.2. Extração de caraterísticas
1.7.3. Aprendizagem profunda

1.8. Data Augmentation

1.8.1. Transformações de imagem
1.8.2. Geração de dados sintéticos
1.8.3. Transformação de texto

1.9. Aplicação Prática de Transfer Learning

1.9.1. Treino de transferência de aprendizagem
1.9.2. Extração de caraterísticas
1.9.3. Aprendizagem profunda

1.10. Regularização

1.10.1. L1 e L2
1.10.2. Regularização por entropia máxima
1.10.3. Dropout

Módulo 2. Personalização de modelos e treino com TensorFlow

2.1. TensorFlow

2.1.1. Uso da biblioteca TensorFlow
2.1.2. Treino de modelos com o TensorFlow
2.1.3. Operações de gráfico no TensorFlow

2.2. TensorFlow e NumPy

2.2.1. Ambiente computacional NumPy para TensorFlow
2.2.2. Utilização das arrays NumPy com TensorFlow
2.2.3. Operações NumPy para o TensorFlow gráficos do TensorFlow

2.3. Personalização de modelos e algoritmos de treino

2.3.1. Construir modelos personalizados com o TensorFlow
2.3.2. Gestão dos parâmetros de treino
2.3.3. Utilização de técnicas de otimização para o treino

2.4. Funções e gráficos do TensorFlow

2.4.1. Funções com o TensorFlow
2.4.2. Utilização de gráficos para treino de modelos
2.4.3. Otimização de gráficos com operações do TensorFlow

2.5. Carregamento e préprocessamento de dados com TensorFlow

2.5.1. Carga de conjuntos de dados com o TensorFlow
2.5.2. Préprocessamento de dados com o TensorFlow
2.5.3. Utilizar de ferramentas do TensorFlow para a manipulação de dados

2.6. A API tf.data

2.6.1. Utilização da API tf.data para o processamento de dados
2.6.2. Construção de fluxo de dados com tf.data
2.6.3. Utilização da API tf.data para o treino de modelos

2.7. O formato TFRecord

2.7.1. Utilização da API TFRecord para a serialização de dados
2.7.2. Carregar arquivos TFRecord com TensorFlow
2.7.3. Utilização de arquivos TFRecord para o treino de modelos

2.8. Camadas de pré-processamento do Keras

2.8.1. Utilização da API de pré-processamento do Keras
2.8.2. Construção de pipelined de pré-processamento com o Keras
2.8.3. Utilização da API de pré-processamento do Keras para o treino de modelos

2.9. O projeto TensorFlow Datasets

2.9.1. Utilização de TensorFlow Datasets para carregamento de dados
2.9.2. Pré-processamento de dados com TensorFlow Datasets
2.9.3. Uso de TensorFlow Datasets para o treino de modelos

2.10. Construção de uma Aplicação de Deep Learning com TensorFlow. Aplicação Prática

2.10.1. Construção de uma aplicação de Deep Learning com TensorFlow
2.10.2. Treinar um modelo com TensorFlow
2.10.3. Utilizar a aplicação para previsão de resultados

Módulo 3. Deep Computer Vision com Redes Neuronais Convolucionais

3.1. A Arquitetura Visual Cortex

3.1.1. Funções do córtex visual
3.1.2. Teoria da visão computacional
3.1.3. Modelos de processamento de imagens

3.2. Camadas convolucionais

3.2.1. Reutilização de pesos na convolução
3.2.2. Convolução 2D
3.2.3. Funções de ativação

3.3. Camadas de agrupamento e implementação de camadas de agrupamento

3.3.1. Pooling e Striding
3.3.2. Flattening
3.3.3. Tipos de Pooling

3.4. Arquitetura CNN

3.4.1. Arquitetura VGG
3.4.2. Arquitetura AlexNet
3.4.3. Arquitetura ResNet

3.5. Implementação de uma CNN ResNet -34 utilizando Keras

3.5.1. Inicialização de pesos
3.5.2. Definição da camada de entrada
3.5.3. Definição da saída

3.6. Utilização de modelos pré-treinados do Keras

3.6.1. Caraterísticas dos modelos pré-treinados
3.6.2. Usos dos modelos pré-treinados
3.6.3. Vantagens dos modelos pré-treinados

3.7. Modelos pré-treinados para a aprendizagem por transferência

3.7.1. A Aprendizagem por transferência
3.7.2. Processo de aprendizagem por transferência
3.7.3. Vantagens do aprendizagem por transferência

3.8. Classificação e Localização em Deep Computer Vision

3.8.1. Classificação de imagens
3.8.2. Localização de objetos em imagens
3.8.3. Detenção de objetos

3.9. Deteção e seguimento de objetos

3.9.1. Métodos de deteção de objetos
3.9.2. Algoritmos de seguimento de objetos
3.9.3. Técnicas de seguimento e localização

3.10. Segmentação semântica

3.10.1. Aprendizagem profunda para a segmentação semântica
3.10.2. Deteção de bordas
3.10.3. Métodos de segmentação baseado em regras

Esta especialização dará um impulso à sua carreira e torná-lo-á um verdadeiro especialista em Deep Learning”