Curso Redes Neurais, Deep Learning e Visão Computacional

A área mais proeminente da Inteligência Artificial

 

CONTEÚDO DAS AULAS

Redes Neurais e Deep Learning com Keras

1) História das redes neurais artificiais

2) A inspiração no neurônio biológico e a modelagem matemática

3) Introdução a Redes neurais e deep learning

4) Redes neurais: matemática

5) Gradiente descendente estocástico (SGD)

6) Função de ativação ReLu

7) O que são Frameworks

8) Instalando o framework Keras

9) Preparando um dataset para a rede neural (com Keras)

10) Criando e treinando a rede neural (com Keras)

11) Realizando previsões com a rede neural (com Keras)

12) Preparando imagens de dígitos numéricos para a rede neural (com Keras)

13) Treinando a rede neural com imagens (com Keras)

14) Avaliando gráficos de performance da rede neural (com Keras)

15) Vanishing/exploding gradient

16) Técnicas de Regularização L1 e L2

17) Técnica de regularização Dropout

18) Função de custo cross-entropy

20) Função de ativação Softmax

21) SGD com Momentum & Nesterov momentum

22) O otimizador RMSprop

23) O otimizador Adam

24) O otimizador Amsgrad

25) Os otimizadores Adamax, Nadam e Adagrad

26) O otimizador Adadelta

27) Exemplo mais completo de rede neural em problema de classificação com Keras

28) Apresentação do exercício mais completo de classificação com Keras

29) Solução do exercício mais completo de classificação com Keras

30) Redes neurais para problemas de regressão

31) Exemplo completo de rede neural para problema de regressão com Keras

32) Apresentação do exercício completo de regressão com Keras

33) Solução do exercício completo de regressão com Keras

34) Redes neurais x Deep learning

Redes Neurais e Deep Learning com TensorFlow

35) O que é TensorFlow

36) Primeiro código com TensorFlow

37) Introdução a grafos no TensorFlow

38) O que são tensores

39) Multiplicando matrizes no TensorFlow

40) Variáveis no TensorFlow

41) Placeholders no TensorFlow

42) Introdução ao TensorBoard

43) Rede neural completa em problema de classificação com TensorFlow

44) Utilizando Dropout no TensorFlow

45) Aplicando Regularização L2 no TensorFlow

46) Apresentação do exercício de classificação com TensorFlow

47) Solução do exercício de classificação com TensorFlow

48) A importância da inicialização dos pesos e bias de uma rede neural

49) Apresentação do exercício de regressão com TensorFlow

50) Solução do exercício de regressão com TensorFlow

51) Criando gráficos para visualizar o treinamento

52) Visualizando a rede neural no Tensorboard

Processamento Paralelo

53) Introdução a processamento paralelo

54) Diferenças entre CPU x GPU

55) Quando uma GPU é necessária em deep learning

56) Como escolher uma GPU

57) Como utilizar GPUs com Keras

58) Como utilizar GPUs com Tensorflow

59) Análise de Performance Keras vs Tensorflow

Redes Neurais Convolucionais (CNNs)

60) Introdução a CNNs (Convolutional Neural Networks)

61) CNNs (Teoria)

62) Pooling layers

63) Estrutura completa de uma CNN simples

64) CNNs com múltiplas camadas profundas

65) Compreendendo a conexão do 2º layer e seu filtro

66) A técnica de Padding

67) Calculando os Parâmetros e dimensões de uma CNN

68) Criando uma CNN com Keras para reconhecimento de dígitos

69) Criando uma CNN com TensorFlow para reconhecimento de dígitos

70) Criando uma CNN para reconhecimento de imagens do dataset CIFAR10

71) Utilizando a técnica de Data Augmentation

72) Conhecendo as Arquiteturas LeNet, AlexNet, VGG16

Visão Computacional

73) O que é visão computacional e processamento de imagens 

74) Bibliotecas para processamento de imagens

75) Instalando OpenCV e Pillow

76) Abrindo uma imagem com o OpenCV

77) Salvando uma cópia da imagem

78) Separando os 3 canais de cores da imagem

79) Convertendo uma imagem para escala de cinza

80) Manipulando um pixel específico

81) Manipulando vários pixels da imagem

82) Desenhando formas com o OpenCV

83) Desenhando em cima de uma imagem

84) Escrevendo em uma imagem

85) Rotacionando uma imagem

86) Deslocando uma imagem

87) Redimensionando uma imagem

88) Invertendo uma imagem

89) Realizando operações aritméticas com imagens

90) Realizando operações lógicas com imagens

91) Criando máscaras para imagens

92) Criando histogramas de imagens

93) Filtrando uma imagem

94) Aplicando operações morfológicas em imagens (erosão, dilatação, opening, closing, gradient)

95) O que é gradiente de imagem (Teoria)

96) Método Canny para detecção de bordas (Teoria)

97) Detectando bordas de imagens com Canny Edge Detector no OpenCV

98) Conhecendo a biblioteca Pillow

99) Resolvendo Captcha usando Redes Neurais Convolucionais

100) Reconhecimento de objetos e o problema da escala

101) Diferentes algoritmos para reconhecimento de objetos 

102) A evolução dos algoritmos R-CNN, Fast R-CNN e Faster R-CNN 

103) Faster R-CNN e ROI pooling (Teoria)

104) Non-Maximum Suppression (NMS) e Intersection over Union (IoU)

105) Classes, métodos e instâncias em Python

106) Transfer Learning

107) Criando ambiente virtual e instalando dependências

108) Treinando o algoritmo Mask Faster R-CNN para reconhecer objetos

109) Avaliando a performance de reconhecimento de objetos com Mask Faster R-CNN 

110) Visualizando as localizações de objetos feitas pelo modelo treinado Mask Faster R-CNN

111) Treinando Mask Faster R-CNN a partir de um dataset criado manualmente

112) Visualizando as localizações de objetos e segmentações de instância feitas pelo Mask Faster R-CNN

113) Utilizando um modelo treinado de Mask Faster R-CNN para reconhecer 80 classes de objetos

114) O algoritmo YOLO (Teoria)

115) Utilizando um modelo treinado de YOLO para reconhecer 80 classes de objetos

116) Reconhecimento facial com Haar Cascade – Viola & Jones (Teoria)

117) Aplicando Haar Cascade para reconhecer faces

118) Style Transfer (teoria)

119) Eager Execution no TensorFlow

120) Construindo um algoritmo de Style Transfer

Testando seus conhecimentos

EXERCÍCIOS TEÓRICOS

EXERCÍCIOS PRÁTICOS

Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Confira abaixo alguns exemplos de aplicações que você irá aprender:

Detecção de objetos com deep learning

reconhecimento e identificação de objetos

segmentação de instâncias com Mask R CNN

duas imagens antes de aplicar técnica de style transferimagem com style transfer aplicado

 

Logos dos frameworks Keras e TensorFlow

Você irá trabalhar com Python, Keras e TensorFlow

O QUE OS ALUNOS ESTÃO DIZENDO? 

Depoimentos dos alunos sobre o curso

Esses são apenas alguns comentários, você pode conferir mais comentários nessa página.

Pré-requisitos:

Quem já concluiu o Módulo 1 e o Módulo 2 possui todos os pré-requisitos necessários para a realização desse curso. 

Para aqueles que não realizaram os Módulos I e II, os pré-requisitos mínimos para aproveitar ao máximo esse curso são: conhecimentos em Python para Machine Learning; conhecimentos básicos do Processo de Machine Learning: Treinamento – Previsão – Validação; Regressão Linear; Regressão Logística.

Aproveite essa promoção especial!

Cursos de Machine Learning e Deep Learning com aulas práticas costumam custar acima de R$ 1.000,00.  Porém nesse momento você ainda pode ter acesso a esse módulo III com o material de Inteligência Artificial mais didático do mercado por apenas R$ 395,00. Ainda pode parcelar em até 12x de R$ 38,48.

módulo 4 já está disponível e expande ainda mais o assunto de Deep Learning, abordando Redes Neurais Recorrentes (RNNs), LSTMs, Séries Temporais, Processamento de Linguagem Natural, GANs, Aprendizado por Reforço, Algoritmos Genéticos, entre outros. Ao adquirir mais de um módulo, você tem direito a descontos especiais!

Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!

 

OPÇÃO COMBO:

Quer ainda mais vantagem? Tenha acesso a todos os módulos I, II, III e IV juntos com 50% OFF! Por apenas R$ 695,00 (ou até 12x de R$ 67,71) no botão abaixo:

Experimente: se você não ficar totalmente satisfeito, pode solicitar o reembolso dentro do prazo de 7 dias.