Domine os principais tipos de camadas da CNN e identifique partes maiores das imagens graças a este programa 100% online”

As Redes Convolucionais se estabeleceram como uma ferramenta versátil no campo da Visão Computacional. Sua importância está na capacidade de analisar, compreender e processar imagens ou vídeos de forma automatizada e eficiente. Entre a diversidade de suas aplicações, destaca-se sua relevância na autenticação biomédica, pois analisa as características faciais exclusivas de uma pessoa e as compara com um banco de dados para verificar sua identidade. Isso é indispensável em áreas como segurança de aeroportos ou controle de acesso em edifícios, entre outras.

Nesse contexto, a TECH desenvolveu um programa avançado que abordará de forma abrangente o Deep Learning Aplicado à Visão Computacional. O plano de estudos aprofundará o uso do Machine learning, dada sua importância no reconhecimento de padrões e na execução de tarefas de análise específicas. Ele também abordará todo o ciclo de criação de uma rede neural, com ênfase no treinamento e na validação. Por outro lado, os alunos aprenderão as estratégias mais avançadas de detecção e rastreamento de objetos. Para isso, eles implementarão métricas de avaliação de última geração, incluindo Intersection Over Union o Confidence Score. 

A fim de consolidar o domínio dos conteúdos, este Programa avançado aplica o sistema revolucionário do Relearning. A TECH é pioneira no uso deste modelo de ensino, que promove a assimilação de conceitos complexos através de sua reiteração natural e progressiva. Dessa forma, os alunos não precisam recorrer a técnicas complexas, como a memorização tradicional. O programa também se baseia em materiais de vários formatos, como infográficos, resumos interativos e vídeos explicativos. Tudo isso em uma modalidade conveniente 100% online, que permite que os alunos ajustem seus horários de acordo com suas responsabilidades e circunstâncias pessoais.

Aprofunde-se nas métricas de avaliação de algoritmos de rastreamento graças à TECH, a melhor universidade digital do mundo segundo a Forbes”  

Este Programa avançado de Deep Learning Aplicado à Visão Computacional conta com o conteúdo mais completo e atualizado do mercado. Suas principais características são:

• O desenvolvimento de casos práticos apresentados por especialistas em Deep Learning , Informática e Visão Computacional
• O conteúdo gráfico, esquemático e eminentemente prático oferece informações científicas e práticas sobre as disciplinas que são essenciais para a prática profissional
• Exercícios práticos em que o processo de autoavaliação é realizado para melhorar a aprendizagem
• Destaque especial para as metodologias inovadoras 
• Aulas teóricas, perguntas a especialistas, fóruns de discussão sobre temas controversos e trabalhos de reflexão individual
• Disponibilidade de acesso a todo o conteúdo a partir de qualquer dispositivo, seja fixo ou móvel, com conexão à Internet

Você quer se tornar um especialista em Machine Learning? Consiga isso em apenas 6 meses com este programa inovador”

O corpo docente do Programa avançado 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. 

A estrutura deste programa se concentra na Aprendizagem Baseada em Problemas, através da qual o profissional deverá resolver as diferentes situações de prática profissional que surgirem ao longo do curso acadêmico. Para isso, contará com a ajuda de um inovador sistema de vídeo interativo realizado por especialistas reconhecidos.  

Atualize seus conhecimentos em Detecção de Objetos através de um conteúdo multimídia inovador”

Esqueça a memorização! Com o sistema Relearning você integrará os conceitos de forma natural e progressiva”

Este plano de estudo consiste em 3 módulos completos, desenvolvidos por verdadeiros especialistas em Inteligência Artificial. Portanto, os materiais didáticos oferecerão as mais recentes inovações em métricas de avaliação de redes neurais, tipos de camadas de CNN e treinamento de regularização. Além disso, os alunos adquirirão novas habilidades para lidar efetivamente com as ferramentas mais avançadas de detecção de objetos. A capacitação incluirá a análise de casos reais e a resolução de situações complexas em ambientes de aprendizagem simulados.  Assim, os alunos estarão preparados para enfrentar qualquer desafio durante suas atividades.

Um programa de estudos especializado e materiais didáticos de alta qualidade são a base para uma carreira de sucesso”

Módulo 1. Deep learning   

1.1. Inteligência artificial

1.1.1. Machine learning
1.1.2. Deep learning
1.1.3. A explosão do  Deep Learning. Por que agora

1.2. Redes Neurais

1.2.1. A rede neural
1.2.2. Usos das redes neurais
1.2.3. Regressão linear e Perceptron
1.2.4. Forward propagation
1.2.5. Backpropagation
1.2.6. Feature vectors

1.3. Loss Functions

1.3.1. Loss function
1.3.2. Tipos de loss functions
1.3.3. Escolha da loss function

1.4. Funções de ativação

1.4.1. Funções de ativação
1.4.2. Funções lineares
1.4.3. Funções não lineares
1.4.4. Output vs Hidden layer activation functions

1.5. Regularização e normalização

1.5.1. Regularização e normalização
1.5.2. Overfitting and Data Augmentation
1.5.3. Regularization methods: L1, L2 and dropout
1.5.4. Normalization methods: Batch, Weight, Layer

1.6. Otimização

1.6.1. Gradient Descent
1.6.2. Stochastic Gradient Descent
1.6.3. Mini Batch Gradient Descent
1.6.4. Momentum
1.6.5. Adam

1.7. Hyperparameter Tuning e Pesos

1.7.1. Os hiperparâmetros
1.7.2. Batch Size vs Learning Rate vs Step Decay
1.7.3. Pesos

1.8. Métricas de avaliação de uma rede neural

1.8.1. Accuracy
1.8.2. Dice coefficient
1.8.3. Sensitivity vs Specificity / Recall vs precision
1.8.4. Curva ROC (AUC)
1.8.5. F1-score
1.8.6. Matriz de confusão
1.8.7. Cross-validation

1.9. Frameworks e Hardware

1.9.1. Tensor Flow
1.9.2. Pytorch
1.9.3. Caffe
1.9.4. Keras
1.9.5. Hardware para a fase de treinamento

1.10. Criação de uma rede neural– treinamento e validação

1.10.1. Dataset
1.10.2. Construção da rede
1.10.3. Treinamento
1.10.4. Visualização de resultados

Módulo 2. Redes Convolucionais e Classificação da Imagens

2.1. Redes neurais convolucionais 

2.1.1. Introdução
2.1.2. A convolução
2.1.3. CNN Building Blocks

2.2. Tipos de camadas CNN 

2.2.1. Convolucional 
2.2.2. Ativação
2.2.3. Batch normalization 
2.2.4. Polling
2.2.5. Fully connected 

2.3. Métricas

2.3.1. Matriz de confusão 
2.3.2. Accuracy 
2.3.3. Precisão 
2.3.4. Recall
2.3.5. F1 Score 
2.3.6. ROC Curve 
2.3.7. AUC

2.4. Principais arquiteturas 

2.4.1. AlexNet
2.4.2. VGG 
2.4.3. Resnet 
2.4.4. GoogleLeNet

2.5. Classificação de imagens 

2.5.1. Introdução
2.5.2. Análise dos dados 
2.5.3. Preparação dos dados 
2.5.4. Treinamento do modelo 
2.5.5. Validação do model

2.6. Considerações práticas para o treinamento da CNN 

2.6.1. Seleção de otimizador
2.6.2. Learning Rate Scheduler
2.6.3. Verificação pipeline de treinamento 
2.6.4. Treinamento com regularização

2.7. Boas práticas em Deep Learning 

2.7.1. Transfer Learning
2.7.2. Fine Tuning
2.7.3. Data Augmentation

2.8. Avaliação estatística dos dados 

2.8.1. Número de datasets
2.8.2. Número de etiquetas 
2.8.3. Número de imagens 
2.8.4. Balanceamento de dados

2.9. Deployment

2.9.1. Salvamento e carregamento de modelos
2.9.2. Onnx
2.9.3. Inferência

2.10. Caso prático: Classificação de imagens

2.10.1.  Análise e preparação dos dados
2.10.2.  Testar o pipeline de treinamento
2.10.3.  Treinamento do modelo
2.10.4.  Validação do modelo

Módulo 3. Detecção de objetos

3.1. Detecção e acompanhamento de objetos

3.1.1. Detecção de objetos
3.1.2. Casos de uso
3.1.3. Acompanhamento de objetos
3.1.4. Casos de uso
3.1.5. Oclusões, Rigid and No Rigid Poses

3.2. Métricas de avaliação

3.2.1. IOU - Intersection Over Union
3.2.2. Confidence Score
3.2.3. Recall
3.2.4. Precisão
3.2.5. Recall – Curva Precisão
3.2.6. Mean Average Precision (mAP)

3.3. Métodos tradicionais

3.3.1. Sliding window
3.3.2. Viola detector
3.3.3. HOG
3.3.4. Non Maximal Supresion (NMS)

3.4. Datasets

3.4.1. Pascal VC
3.4.2. MS Coco
3.4.3. ImageNet (2014)
3.4.4. MOTA Challenge

3.5. Two Shot Object Detector

3.5.1. R-CNN
3.5.2. Fast R-CNN
3.5.3. Faster R-CNN
3.5.4. Mask R-CNN

3.6. Single Shot Object Detector

3.6.1. SSD
3.6.2. YOLO
3.6.3. RetinaNet
3.6.4. CenterNet
3.6.5. EfficientDet

3.7. Backbones

3.7.1. VGG
3.7.2. ResNet
3.7.3. Mobilenet
3.7.4. Shufflenet
3.7.5. Darknet

3.8. Object Tracking

3.8.1. Enfoques clássicos
3.8.2. Filtros de partículas
3.8.3. Kalman
3.8.4. Sort tracker
3.8.5. Deep Sort

3.9. Implantação

3.9.1. Plataforma de computação
3.9.2. Escolha do  Backbone
3.9.3. Escolha do  Framework
3.9.4. Otimização de modelos
3.9.5. Controle de versão do modelo

3.10. Estudo: detecção e acompanhamento de pessoas

3.10.1. Detecção de pessoas
3.10.2. Acompanhamento de pessoas
3.10.3. Reidentificação
3.10.4. Contagem de pessoas em multidões

Esta capacitação é caracterizada por seu horário flexível e pelo material disponível 24 horas. Matricule-se já!”