Seja o engenheiro especialista em robótica que toda empresa deseja manter em sua equipe. Matricule-se já"

Qualquer robô autônomo capaz de navegar deverá apresentar os mecanismos para responder a perguntas fundamentais, como por exemplo: Onde estou? Para onde quero ir? e Como vou chegar lá? Este Programa avançado proporcionará ao engenheiro o conhecimento e as atuais ferramentas tecnológicas utilizadas para responder a estas perguntas e impulsionar sua carreira profissional nesta área.

Devido à alta capacidade e complexidade dos algoritmos de inteligência artificial, é imprescindível dominar este tema para poder abordar com sucesso esta tecnologia. A equipe docente especializada responsável pelo ensino deste programa acompanhará o aluno nesta jornada, permitindo alcançar com sucesso seus objetivos profissionais.

Esta capacitação ministrada em um formato 100% online contemplará um dos aspectos mais importantes na área da autonomia dos robôs e da visão artificial.
As diferentes arquiteturas, usos de redes neurais profundas e os problemas de visão 2D e 3D terão amplo espaço neste programa.

Uma excelente oportunidade para o profissional de engenharia que deseja especializar-se em uma indústria em plena expansão, com uma ampla variedade de oportunidades profissionais. Todos estes aspectos com um sistema de aprendizagem que facilitará a aquisição de uma qualificação e, ao mesmo tempo, será compatível com as responsabilidades pessoais, graças à ausência de horários pré-estabelecidos que permitirá acessar todos os conteúdos deste programa. Desta forma, o aluno somente precisará de um dispositivo com conexão à internet para conectar-se à plataforma e começar sua formação a qualquer momento do dia, impulsionando sua trajetória profissional.

Especialize-se e alcance o sucesso na indústria da Robótica. Aproveite e matricule-se agora’’

Este Programa avançado de Sistemas de Percepção Visual de Robôs com Aprendizado de Máquina conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Engenharia Robótica
• O conteúdo gráfico, esquemático e extremamente útil  fornece informações científicas e práticas sobre aquelas disciplinas indispensáveis para o exercício da profissão
• Exercícios práticos onde o processo de autoavaliação é realizado para melhorar a aprendizagem
• Destaque especial para as metodologias inovadoras
• Lições teóricas, perguntas aos especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual
• Disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo, fixo ou portátil, com conexão à Internet

Você terá a oportunidade de avançar em uma área em pleno crescimento. Matricule-se e aprimore seus conhecimentos em Inteligência Artificial"

A equipe de professores deste programa inclui profissionais da área, cuja experiência de trabalho é somada nesta capacitação, além de reconhecidos especialistas de instituições e universidades de prestígio.

Através do seu conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, o profissional poderá ter uma aprendizagem situada e contextual, ou seja, em um ambiente simulado que proporcionará uma capacitação imersiva planejada para praticar diante de situações reais.

A proposta deste plano de estudos se fundamenta na Aprendizagem Baseada em Problemas, onde o profissional deverá resolver as diferentes situações da prática profissional que surjam ao longo do programa acadêmico. Para isso, o profissional contará com a ajuda de um inovador sistema de vídeo interativo desenvolvido por destacados especialistas nesta área.

A biblioteca de recursos multimídia deste Programa avançado lhe proporcionará um conteúdo vanguardista altamente valioso para sua carreira profissional"

Adquira uma aprendizagem que irá conduzi-lo à implantação otimizada das redes neurais em aplicações reais"

A equipe docente envolvida no desenvolvimento deste programa 100% online desenvolveu um plano de estudos onde o aluno estará imerso na aplicação da Inteligência Artificial a robôs e Softbots, assim como na melhoria da percepção visual dos robôs através das principais técnicas e ferramentas utilizadas para alcançar o Aprendizado de Máquina. Os vídeos detalhados sobre cada tópico apresentados pelos profissionais que ministram este curso facilitarão a aprendizagem do aluno. Da mesma forma, o aluno terá acesso a todo o plano de estudos desde o início do programa, o que lhe permitirá distribuir a carga didática de acordo com as suas necessidades.

Matricule-se neste Programa avançado e aprenda com os melhores especialistas em Robótica"

Módulo 1. Agentes Inteligentes. Aplicando a Inteligência Artificial para Robôs e Softbots

1.1. Agentes Inteligentes e Inteligência Artificial

1.1.1. Robôs Inteligentes. Inteligência Artificial
1.1.2. Agentes Inteligentes

1.1.2.1. Agentes hardware. Robôs
1.1.2.2. Agentes software.Softbots

1.1.3. Aplicações à Robótica

1.2. Conexão cérebro-algoritmo

1.2.1. Inspiração biológica da Inteligência Artificial
1.2.2. Raciocínio implementado em algoritmos. Tipologia
1.2.3. Explicabilidade dos resultados em algoritmos de Inteligência Artificial
1.2.4. Evolução dos algoritmos até Deep Learning

1.3. Algoritmos de busca em espaço de soluções

1.3.1. Elementos na busca em espaço de soluções
1.3.2. Algoritmos de busca de soluções aos problemas de Inteligência Artificial
1.3.3. Aplicações de algoritmos de busca e otimização
1.3.4. Algoritmos de busca aplicados ao Aprendizado de Máquina

1.4. Aprendizado de máquina

1.4.1. Aprendizado de máquina
1.4.2. Algoritmos de aprendizado supervisionado
1.4.3. Algoritmos de aprendizado não supervisionado
1.4.4. Algoritmos de aprendizado por reforço

1.5. Aprendizado supervisionado

1.5.1. Métodos de aprendizado supervisionado
1.5.2. Árvores de decisão para classificação
1.5.3. Máquinas de suporte de vetores
1.5.4. Redes neurais artificiais
1.5.5. Aplicações do aprendizado supervisionado

1.6. Aprendizado não supervisionado

1.6.1. Aprendizado não supervisionado
1.6.2. Redes de Kohonen
1.6.3. Mapas auto-organizados
1.6.4. Algoritmo K-medias

1.7. Aprendizagem de reforço

1.7.1. Aprendizagem de reforço
1.7.2. Agentes baseados nos processos de Markov
1.7.3. Algoritmos de aprendizado por reforço
1.7.4. Aprendizado por reforço aplicado à robótica

1.8. Redes neurais artificiais e Deep Learning

1.8.1. Redes neurais artificiais. Tipologia
1.8.2. Aplicações de redes neurais
1.8.3. Transformação de Machine Learning ao Deep Learning
1.8.4. Aplicação de Deep Learning

1.9. Inferência probabilística

1.9.1. Inferência probabilística
1.9.2. Tipos de inferência e definição do método
1.9.3. Inferência bayesiana como um estudo de caso
1.9.4. Técnicas de inferência não paramétricas
1.9.5. Filtros gaussianos

1.10. Da teoria à prática: desenvolvendo um agente inteligente robótico

1.10.1.  Inclusão de módulos de aprendizado supervisionado em um agente robótico
1.10.2. Inclusão de módulos de aprendizado por reforço em um agente robótico
1.10.3. Arquitetura de um agente robótico controlado por inteligência artificial
1.10.4. Ferramentas profissionais para a implementação de agentes inteligentes
1.10.5. Fases da implementação de algoritmos de IA em agentes robóticos

Módulo 2. Técnicas de Visão Artificial em Robótica: Processamento e Análise de Imagens

2.1. A Visão Computacional

2.1.1. A Visão Computacional
2.1.2. Elementos de um sistema de visão por computador
2.1.3. Ferramentas matemáticas

2.2. Sensores ópticos para robótica

2.2.1. Sensores ópticos passivos
2.2.2. Sensores ópticos ativos
2.2.3. Sensores não ópticos

2.3. Aquisição de imagens

2.3.1. Representação de imagens
2.3.2. Espaço de cores
2.3.3. Processo de digitalização

2.4. Geometria das imagens

2.4.1. Modelos de lentes
2.4.2. Modelos de câmeras
2.4.3. Calibração de câmeras

2.5. Ferramentas matemáticas

2.5.1. Histograma de uma imagem
2.5.2. Convolução
2.5.3. Transformada de Fourier

2.6. Pré-processamento de imagens

2.6.1. Análise de ruídos
2.6.2. Suavização de imagem
2.6.3. Realce de imagens

2.7. Segmentação de imagens

2.7.1. Técnicas baseadas em contornos
2.7.2. Técnicas baseadas em Histograma
2.7.3. Operações morfológicas

2.8. Detecção de características nas imagens

2.8.1. Detecção de pontos de interesse
2.8.2. Descritores característicos
2.8.3. Correspondências entre características

2.9. Sistemas de visão 3D

2.9.1. Percepção 3D
2.9.2. Correspondência de recursos entre imagens
2.9.3. Geometria com múltiplas vistas

2.10. Localização baseada na Visão Artificial

2.10.1. O problema da localização de robôs
2.10.2. Odometria Visual
2.10.3. Fusão sensorial

Módulo 3. Sistemas de Percepção Visual de Robôs com Aprendizado de Máquina

3.1. Métodos de aprendizado não supervisionados aplicados à visão artificial

3.1.1. Clustering
3.1.2. PCA
3.1.3. Nearest Neighbors
3.1.4. Similarity and Matrix Decomposition

3.2. Métodos de aprendizado supervisionados aplicados à visão artificial

3.2.1. Conceito “Bag of words”
3.2.2. Máquinas de suporte de vetores
3.2.3. Latent Dirichlet Allocation
3.2.4. Redes Neurais

3.3. Redes neurais profundas: estruturas, Backbones e Transfer Learning

3.3.1. Camadas geradoras de Features

3.3.1.1. VGG
3.3.1.2. Densenet
3.3.1.3. ResNet
3.3.1.4. Inception
3.3.1.5. GoogLeNet

3.3.2. Transfer Learning
3.3.3. Os dados. Preparação para o treinamento

3.4. Visão artificial com aprendizado profundo I: detecção e segmentação

3.4.1. YOLO e SSD diferenças e semelhanças
3.4.2. Unet
3.4.3. Outras estruturas

3.5. Visão artificial com aprendizado profundo II: Generative Adversarial Networks

3.5.1. Superresolução de imagem usando GAN
3.5.2. Criação de imagens realistas
3.5.3. Scene Understanding

3.6. Técnicas de aprendizado para a localização e mapeamento em robótica móvel

3.6.1. Detecção de fechamento de loop e relocalização
3.6.2. Magic Leap. Super Point e Super Glue
3.6.3. Depth from Monocular

3.7. Inferência bayesiana e modelagem 3D

3.7.1. Modelos bayesianos e aprendizado "clássico"
3.7.2. Superfícies implícitas com processos gaussianos (GPIS)
3.7.3. Segmentação 3D usando GPIS
3.7.4. Redes neurais para modelagem de superfícies 3D

3.8. Aplicações End-to-End de redes neurais profundas

3.8.1. Sistema End-to-end. Exemplo de identificação de pessoas
3.8.2. Manipulação de objetos com sensores visuais
3.8.3. Geração de movimentos e planejamento com sensores visuais

3.9. Tecnologias em nuvem para acelerar o desenvolvimento de algoritmos para Deep Learning

3.9.1. Uso de GPU para o Deep Learning
3.9.2. Desenvolvimento ágil com Google Colab
3.9.3. GPUs remotos, Google Cloud e AWS

3.10. Implantação de redes neurais em aplicações reais

3.10.1. Sistemas embarcados
3.10.2. Implantação de Redes Neurais. Uso
3.10.3. Otimizações de redes na implantação, exemplo com Te

Uma experiência de capacitação única, fundamental e decisiva para impulsionar seu crescimento profissional”