Adquirir conhecimento em tecnologias quânticas atualmente fará de você um líder em programação em um futuro próximo" 

A capacitação de um modelo a desde o início implica ter uma grande quantidade de informações previamente catalogadas, aproximadamente umas 10.000 fotos de cada um dos tipos a serem diferenciados. Isto requer horas para que seja possível alcançar bons resultados. Para estes casos, é possível partir de modelos previamente treinados, através do recurso Transfer Learning: este Programa avançado analisa quais modelos de rede estão atualmente disponíveis, a fim de facilitar o treinamento do modelo utilizando esta técnica.

Os alunos analisarão os principais casos de uso para visão computadorizada: classificação, detecção de objetos, identificação de objetos, rastreamento de objetos. Por exemplo, o Google usa estes algoritmos para poder pesquisar a partir de imagens; o Facebook utiliza estes algoritmos para poder identificar e etiquetar automaticamente as pessoas em uma foto.

A Computação Quântica avançou rapidamente tanto na teoria quanto na prática nos últimos anos e, com ela, a esperança de um impacto potencial em aplicações reais. Uma área fundamental de interesse e onde a computação quântica está se mostrando mais eficiente é no campo  do Machine Learning e sua aplicação em problemas reais proativos, preditivos e prescritivos.

Este programa analisa as situações em que uma vantagem quântica poderia ser alcançada, no contexto de análises avançadas e inteligência artificial. O objetivo deste Programa avançado é mostrar os benefícios que as tecnologias quânticas atuais e futuras podem proporcionar à aprendizagem automática, concentrando-se em algoritmos que são desafiadores para os computadores digitais clássicos, tais como modelos baseados em Kernel, otimização e redes convolucionais.

Como trata-se de um programa 100% online, o aluno não dependerá de horários fixos nem precisará se deslocar para um local específico. Através de um dispositivo com acesso à Internet, você poderá acessar um amplo conteúdo que lhe ajudará a adquirir as técnicas de computação quântica para avançar no setor da informática. Tudo isso, a qualquer hora do dia, conciliando, ao seu próprio ritmo, seu trabalho e sua vida pessoal com sua vida acadêmica.

Esta capacitação lhe permitirá avançar na sua carreira de uma maneira prática"

Este Programa avançado de Visão Artificial e Computação Quântica conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Visão Artificial e Computação Quântica 
• Os conteúdos gráficos, esquemáticos e extremamente úteis fornecem informações práticas sobre as 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 está diante de um mercado emergente onde obter os conhecimentos e orientações corretas da Computação Quântica será fundamental, para usufruir das evoluções"

O corpo docente do programa conta com profissionais do setor, que transferem toda a experiência adquirida ao longo de suas carreiras para esta capacitação, além de especialistas reconhecidos de instituições de referência e universidades de prestígio.

O seu conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, oferece ao profissional uma aprendizagem contextualizada, ou seja, realizada através de um ambiente simulado, proporcionando uma capacitação imersiva e , programada para praticar diante de situações reais.

Este programa se fundamenta na Aprendizagem Baseada em Problemas, onde o profissional deverá resolver as diferentes situações de prática profissional que surgirem ao longo do programa. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo desenvolvido por especialistas reconhecidos.

Analise quais modelos de rede estão atualmente disponíveis a fim de facilitar o treinamento de seu modelo, aplicando a técnica Transfer Learning"

Você verá os benefícios que as tecnologias quânticas atuais e futuras podem trazer ao aprendizado de máquinas, concentrando-se nos algoritmos"

Os profissionais do setor reuniram os últimos avanços em Visão Artificial e Computação Quântica em três módulos. Este Programa avançado abrange desde a construção de redes neurais convolucionais, circuitos quânticos e algoritmos de Machine Learning clássicos, até o conceito Transfer Learning e a programação de computadores quânticos, entre outros. Para isso, este programa explora em profundidade o escopo de aplicação de cada tecnologia, compreendendo as vantagens competitivas que elas proporcionam.

Você obterá uma visão global das diferentes tecnologias envolvidas na digitalização global e a capacidade de aplicá-las"

Módulo 1. PD&I.A. Computer Vision. Identificação e acompanhamento de objetos

1.1. Visão computadorizada

1.1.1. Computer Vision
1.1.2. Visão computacional
1.1.3. Interpretação das máquinas em uma imagem

1.2. Funções de ativação

1.2.1. Funções de ativação
1.2.2. Sigmoide
1.2.3. RELU
1.2.4. Tangente hiperbólica
1.2.5. Softmax

1.3. Construção de redes neurais convolucionais

1.3.1. Operação de convolução
1.3.2. Camada RELU
1.3.3. Pooling
1.3.4. Flattering
1.3.5. Full Connection

1.4. Processo da convolução

1.4.1. Funcionamento de uma Convolução
1.4.2. Código de Convolução
1.4.3. Convolução. Aplicação

1.5. Transformações com imagens

1.5.1. Transformações com imagens
1.5.2. Transformações avançadas
1.5.3. Transformações com imagens. Aplicação
1.5.4. Transformações com imagens. Use Case

1.6. Transfer Learning

1.6.1. Transfer Learning
1.6.2. Transfer Learning Tipologia
1.6.3. Redes profundas para aplicar Transfer Learning

1.7. Computer Vision. Use Case

1.7.1. Classificação de imagens
1.7.2. Detecção de objetos
1.7.3. Identificação de objetivos
1.7.4. Segmentação de objetos

1.8. Detecção de objetos

1.8.1. Detecção com a convolução
1.8.2. R-CNN, busca seletiva
1.8.3. Detecção rápida com YOLO
1.8.4. Outras possíveis soluções

1.9. GAN. Redes Adversárias Generativas, ou Generative Adversarial Networks

1.9.1. Redes Adversárias Generativas
1.9.2. Código para uma GAN
1.9.3. GAN. Aplicação

1.10. Aplicação de modelos de Computer Vision

1.10.1. Organização de conteúdos
1.10.2. Motores de busca visual
1.10.3. Reconhecimento facial
1.10.4. Realidade aumentada
1.10.5. Condução autônoma
1.10.6. Identificação de falhas em cada montagem
1.10.7. Identificação de pragas
1.10.8. Saúde

Módulo 2. Quantum Computing. Um novo modelo de computação

2.1. Computação quântica

2.1.1. Diferenças com a Computação Clássica
2.1.2. Necessidade da Computação Quântica
2.1.3. Computadores quânticos disponíveis: natureza e tecnologia

2.2. Aplicações da computação quântica

2.2.1. Aplicações da computação quântica x computação clássica
2.2.2. Contextos de uso
2.2.3. Aplicação em casos reais

2.3. Fundamentos matemáticos da computação quântica

2.3.1. Complexidade computacional
2.3.2. Experimento da dupla fenda Partículas e ondas
2.3.3. O entrelaçamento

2.4. Fundamentos geométricos da computação quântica

2.4.1. Qubit e o espaço de Hilbert Bidimensional complexo
2.4.2. Formalismo Geral de Dirac
2.4.3. Estados de N-Qubits e espaço de Hilbert de dimensão 2n

2.5. Fundamentos Matemáticos Álgebra Linear

2.5.1. O produto interno
2.5.2. Operadores hermitianos
2.5.3. Eigenvalues e Eigenvectors

2.6. Circuitos quânticos

2.6.1. Os Estados de Bell e as matrizes de Pauli
2.6.2. Portas lógicas quânticas
2.6.3. Portas de controle quânticas

2.7. Algoritmos quânticos

2.7.1. Portas quânticas reversíveis
2.7.2. Transformada de Fourier Quântica
2.7.3. Teleportação quântica

2.8. Algoritmos que demonstram a supremacia quântica

2.8.1. Algoritmo de Deutsch
2.8.2. Algoritmo de Shor
2.8.3. Algoritmo de Grover

2.9. Programação de computadores quânticos

2.9.1. Meu primeiro programa em Qiskit (IBM)
2.9.2. Meu primeiro programa em Ocean (Dwave)
2.9.3. Meu primeiro programa em Cirq (Google)

2.10. Aplicação sobre computadores quânticos

2.10.1. Criação de portas lógicas

2.10.1.1. Criação de um Somador Digital Quântico

2.10.2. Criação de jogos quânticos
2.10.3. Comunicação secreta de chaves entre Bob e Alice

Módulo 3. Quantum Machine Learning. A inteligência artificial(I.A) do futuro

3.1. Algoritmos de Machine Learning Clássicos

3.1.1. Modelos descritivos, preditivos, pró-ativos e prescritivos
3.1.2. Modelos supervisionados e não supervisionados
3.1.3. Redução de características, PCA, Matriz de Covariância, SVM, Redes Neurais
3.1.4. Otimização em ML: a descida do gradiente

3.2. Algoritmos de Deep Learning Clássicos

3.2.1. Redes de Boltzmann. A revolução em Machine Learning
3.2.2. Modelos de Deep Learning. CNN, LSTM, GANs
3.2.3. Modelos Encoder-Decoder
3.2.4. Modelos de análise de sinais. Análise de Fourier

3.3. Classificadores quânticos

3.3.1. Geração de um classificador quântico
3.3.2. Codificação dos dados em estados quânticos por amplitude
3.3.3. Codificação dos dados em estados quânticos por fase/ângulo
3.3.4. Codificação de alto nível

3.4. Algoritmos de otimização

3.4.1. Quantum Approximate Optimization Algorithm (QAOA)
3.4.2. Variational Quantum Eigensolvers (VQE)
3.4.3. Quadratic Unconstrained Binary Optimization (QUBO)

3.5. Algoritmos de otimização. Exemplos

3.5.1. PCA com circuitos quânticos
3.5.2. Otimização de pacotes de valores mobiliários
3.5.3. Otimização de rotas logísticas

3.6. Quantum Kernels Machine Learning

3.6.1. Variational quantum classifiers. QKA
3.6.2. Quantum Kernel Machine Learning
3.6.3. Classificação baseada em Quantum Kernel
3.6.4. Clustering baseados em Quantum Kernel

3.7. Quantum Neural Networks

3.7.1. Redes Neurais Clássicas e o Perceptron
3.7.2. Redes neurais quânticas e o Perceptron
3.7.3. Redes neurais convolucionais quânticas

3.8. Algoritmos avançados de Deep Learning (DL)

3.8.1. Quantum Boltzmann Machines
3.8.2. General Adversarial Networks
3.8.3. Quantum Fourier transformation, quantum phase estimation and quantum matrix

3.9. Machine Learning. Use Case

3.9.1. Experimentação com VQC (Variational Quantum Classifier)
3.9.2. Experimentação com Quantum Neural Networks
3.9.3. Experimentação com GANs

3.10. Computação Quântica e Inteligência Artificial

3.10.1. Capacidade Quântica em Modelos de ML
3.10.2. Quantum Knowledge Graphs
3.10.3. O futuro da Inteligência Artificial Quântica

Esta é a melhor capacitação para aprender sobre os últimos avanços em Visão Artificial e Computação Quântica"