Odisseia do Deep Learning

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.

You will gain a foundational understanding of TensorFlow's primary components - Tensors. You'll delve into the nature and applications of tensors, familiarize yourself with tensor properties, and acquire knowledge in essential mathematical operations.

You'll learn how TensorFlow operates and the ways to improve its performance. By the end of this module, you'll be well-equipped to implement basic neural networks or other tensor calculations, using only the TensorFlow library without any extras.

Explore the fundamentals of PyTorch, focusing on tensors—the core data structure used for computations. You will learn about tensor creation, random initialization, mathematical operations, and shape manipulation.

Explore key concepts for training models in PyTorch, including computing gradients and performing multi-step backpropagation. Master linear regression as a foundational machine learning model and introduces handling datasets efficiently.

Discover how to build, train, and evaluate neural networks using PyTorch. You will learn how to define a simple feedforward neural network, optimize its parameters through training, and assess its performance.

A visão computacional permite que máquinas interpretem e analisem dados visuais, imitando a percepção humana. Esta seção aborda os fundamentos da representação de imagens, modelos de cor e bases matemáticas essenciais para compreender como os computadores processam imagens. Serão exploradas aplicações do mundo real, desde veículos autônomos até imagens médicas, além de como a visão computacional se integra à IA e ao aprendizado de máquina.

OpenCV é uma biblioteca poderosa para manipulação de imagens e tarefas de visão computacional. Esta seção aborda técnicas essenciais como filtragem de imagens, transformações, detecção de bordas e segmentação. Você aprenderá a realizar desfoque, limiarização, detecção de contornos e extração de características para aprimorar e analisar imagens de forma eficiente.

As CNNs processam dados visuais utilizando camadas de convolução, pooling e ativação para extrair características em tarefas como classificação de imagens e detecção de objetos. Os principais componentes incluem padding, convolução para extração de características, pooling para redução de complexidade e ativação para introdução de não linearidade. Arquiteturas populares como AlexNet, VGG e ResNet impulsionam a IA em saúde, autonomia e segurança.

A detecção de objetos é uma tarefa fundamental em visão computacional que envolve a identificação e localização de objetos dentro de uma imagem. Diferentemente da classificação de imagens, que atribui um único rótulo a toda a imagem, a detecção de objetos não apenas classifica os objetos, mas também determina suas posições utilizando caixas delimitadoras. Esta seção aborda as principais técnicas e algoritmos utilizados em detecção de objetos, abrangendo desde métodos tradicionais até abordagens baseadas em aprendizado profundo, como YOLO e U-Net.

A visão computacional avançou significativamente ao longo dos anos, passando de métodos básicos de processamento de imagens para técnicas complexas de deep learning. Esta seção aborda as inovações mais recentes em visão computacional, com foco em transfer learning, reconhecimento facial e geração de imagens. Serão explorados os benefícios de modelos pré-treinados no desempenho, os princípios da tecnologia de reconhecimento facial e a forma como a IA cria imagens por meio de deep learning.