Capacite-se em visão artificial aplicada à robótica e avance em sua carreira profissional com este Programa avançado"

Longe da ficção científica, este programa destinado aos profissionais da Ciência da Computação é projetado para fornecer-lhes todo o conhecimento necessário para que os estudantes possam desenvolver qualquer ideia a ser trabalhada em Inteligência Artificial ou para trabalhar em projetos de Robótica, especialmente no campo dos sistemas de percepção visual.

Desta forma, a equipe docente especializada nesta área orientará os alunos através das bases algorítmicas que fundamentam seu funcionamento, suas aplicações, vantagens e limitações. Para isso, durante os 6 meses deste programa online, será aplicada uma abordagem teórica e prática, utilizando exemplos para encontrar ambientes com robôs, mas sem perder de vista a relevância de compreender as técnicas de aprendizagem de máquinas a serem utilizadas.

Embora a visão artificial seja um dos campos mais complexos da Robótica, o material multimídia oferecido por este programa facilitará seu aprendizado. Assim, os estudantes poderão adquirir as principais técnicas de visão baseadas em sistemas de aprendizagem, particularmente o uso de redes neurais, que revolucionaram a forma como a visão artificial é usada hoje em dia. Da mesma forma, neste programa o aluno aprenderá sobre as ferramentas mais avançadas a serem desenvolvidas no campo da visão artificial para Robótica, tanto em nível teórico quanto prático.

Uma excelente oportunidade para alunos que desejam progredir em sua área profissional sob a orientação dos melhores especialistas e com um ensino de qualidade, que permite o acesso a todo o conteúdo desde o primeiro dia e um sistema Relearning, baseado na repetição do conteúdo, o que por sua vez facilita a aprendizagem e a consolidação do conhecimento.

Participe de um programa 100% online e aplique técnicas avançadas de Inteligência Artificial sobre Agentes Inteligentes em seus projetos"

Este Programa avançado de Sistemas de Percepção Visual de Robôs com Aprendizagem Automática 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 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

Aproveite todo o seu potencial neste Programa avançado e aprenda de maneira simples a identificar os novos campos de aplicação das redes neurais generativas"

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 conteúdo multimídia, desenvolvido com a mais recente tecnologia educacional, permitirá 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.

O desenvolvimento deste programa se baseia no Aprendizado Baseado em Problemas, pelo qual o aluno deverá resolver as diferentes situações da prática profissional que surgirem ao longo do programa. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos nesta área. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos.

Este Programa avançado lhe permitirá alcançar um alto nível de domínio dos algoritmos utilizados na criação de robôs"

Uma excelente oportunidade para você criar seus projetos na área de Robótica"

O plano de estudo deste Programa avançado, que consiste em 450 horas letivas, é composto de três módulos nos quais a Inteligência Artificial e sua aplicação em robôs e softbots, serão tratadas de forma completa, com ênfase especial em todas as técnicas envolvidas no desenvolvimento da visão artificial e nas ferramentas essenciais para seu desenvolvimento. Os vídeos detalhados e outros materiais multimídia que os estudantes encontrarão na plataforma virtual complementarão este programa abrangente.

Matricule-se neste Programa avançado e adquira um aprendizado completo em Deep Learning usando ferramentas como o Google IColab"

Módulo 1. Agentes inteligentes. Aplicação da Inteligência Artificial a 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 na Robótica

1.2. Conexão cérebro e argoritmo

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 o  Deep Learning

1.3. Algoritmos de busca no espaço de soluções

1.3.1. Elementos na busca no espaço de soluções
1.3.2. Algoritmos de busca de soluções para problemas de Inteligência Artificial
1.3.3. Aplicações de algoritmos de busca e otimização
1.3.4. Algoritmos de busca aplicados à aprendizagem automática

1.4. Aprendizagem automática

1.4.1. Aprendizagem automática
1.4.2. Algoritmos de aprendizagem supervisionada
1.4.3. Algoritmos de aprendizagem não supervisionada
1.4.4. Algoritmos de Aprendizagem por Reforço

1.5. Aprendizagem supervisionada

1.5.1. Métodos de aprendizagem supervisionada
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 da aprendizagem supervisionada

1.6. Aprendizagem não supervisionada

1.6.1. Aprendizagem não supervisionada
1.6.2. Redes de Kohonen
1.6.3. Mapas auto-organizados
1.6.4. Algoritmo K-médias

1.7. Aprendizagem por reforço

1.7.1. Aprendizagem por reforço
1.7.2. Agentes baseados nos processos Markov
1.7.3. Algoritmos de Aprendizagem por Reforço
1.7.4. Aprendizagem 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 do Machine Learning ao Deep Learning
1.8.4. Aplicações 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. A 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 aprendizagem supervisionada em um agente robótico
1.10.2. Inclusão de módulos de aprendizagem 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 na implementação de algoritmos de IA em agentes robóticos

Módulo 2. Técnicas de visão artificial em robótica: processamento e análise de imagens

2.1. Visão por computador

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

2.2. Sensores óticos para robótica

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

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. Aperfeiçoamento de imagem

2.7. Segmentação de imagens

2.7.1. Técnicas baseadas em contornos
2.7.3. Técnicas baseadas em histograma
2.7.4. Operações morfológicas

2.8. Detecção de características na imagem

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

2.9. Sistemas de visão 3D

2.9.1. Percepção 3D
2.9.2. Correspondência de características entre as 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 aprendizagem automática

3.1. Métodos de aprendizagem 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 aprendizagem 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

3.3.3.1. VGG
3.3.3.2. Densenet
3.3.3.3. ResNet
3.3.3.4. Inception
3.3.3.5. 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. Diferenças e semelhanças entre YOLO e SSD
3.4.2. Unet
3.4.3. Outras estruturas

3.5. Visão Computacional com aprendizagem profunda II: Generative Adversarial Networks

3.5.1. Super-resolução de imagens usando GAN
3.5.2. Criação de imagens realistas
3.5.3. Scene understanding

3.6. Técnicas de aprendizagem para localização e mapeamento em robótica móvel

3.6.1. Detecção de fechamento de loop e realocação
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 aprendizagem "clássica"
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 das 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 na nuvem para acelerar o desenvolvimento de algoritmos de Deep Learning

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

3.10. Implantação de Redes Neurais em aplicações reais

3.10.1. Sistemas embutidos
3.10.2. Implantação de Redes Neurais. Uso
3.10.3. Otimizações de rede na implantação, exemplo com o T

Domine o uso de Python e Tensorflow, ferramentas essenciais no campo da Robótica. Clique e matricule-se já”