INTELIGÊNCIA ARTIFICIAL (IA) E TRATAMENTO DE IMAGENS UTILIZANDO BIBLIOTECAS (KERAS, PYTORCH, OPENCV)
- Inteligência Artificial, inteligência artificial, New
- 0 (Registered)
Ao longo desta formação, os participantes aprendem a utilizar bibliotecas de referência como Keras, PyTorch, TensorFlow e OpenCV para desenvolver modelos de classificação de imagens, deteção de objetos, segmentação e geração de imagens com GAN. Com uma abordagem prática e orientada a projetos, a formação cobre redes neuronais convolucionais (CNN), otimização de modelos, utilização de modelos pré‑treinados e cálculo distribuído em CPU, GPU e TPU, permitindo aplicar estas técnicas em casos reais de análise e processamento de imagens.
- Implementar Keras, PyTorch e OpenCV para o tratamento de imagens.
Tratamento de imagens e IA
• Introdução ao tratamento de imagens e ao Machine Learning.
• Apresentação das bibliotecas Keras, PyTorch e OpenCV.
O projeto TensorFlow
• Histórico.
• Funcionalidades.
• Arquitetura distribuída.
• Plataformas suportadas.
Primeiros passos com TensorFlow
• Princípio dos tensores.
• Características de um tensor: tipo de dados e dimensões.
• Definição de tensores simples.
• Gestão de variáveis e persistência.
• Representação dos cálculos e das dependências entre operações através de grafos.
• Optimização dos cálculos.
Cálculo distribuído
• Diferentes tipos de estratégias (síncrona ou assíncrona).
• Armazenamento centralizado ou duplicado dos dados em diferentes CPUs.
• Distribuição em GPUs.
• Utilização de TPUs.
Redes neuronais
• Princípio das redes neuronais.
• Diferentes tipos de camadas: densas, convoluções e funções de ativação.
• Funcionamento das redes neuronais convolucionais (CNN).
• Descida de gradiente.
• Multi-Layer Perceptron.
Implementação com Keras
• Conceção de uma rede neuronal.
• Criação e treino de um modelo CNN simples com Keras.
Classificação de imagens com Keras
• Noção de classificação.
• Casos de utilização.
• Arquiteturas de redes convolucionais.
• Redes ImageNet, RCNN e SSD.
• Demonstrações sobre convoluções.
Otimização de modelos
• Visualização com TensorBoard.
• Otimização das camadas de convolução.
• Escolha de hiperparâmetros com Keras e Keras Tuner.
• Utilização de checkpoints.
Deteção de objetos com OpenCV e IA
• Princípios da deteção de objetos.
• Tipos de modelos de deteção de objetos (classificadores em cascata, YOLO, SSD, Faster R-CNN).
• Utilização de OpenCV para deteção de objetos.
Biblioteca OpenCV
• Apresentação aprofundada da biblioteca OpenCV para visão por computador.
• Configuração do ambiente OpenCV.
• Carregar e apresentar imagens com OpenCV.
• Introdução aos classificadores em cascata para deteção de objetos.
Modelos de IA pré-treinados
• Apresentação de modelos pré-treinados para deteção de objetos.
• Comparação entre modelos (YOLO, SSD, Faster R-CNN).
• Escolha do modelo em função das necessidades da aplicação.
Segmentação de imagens com PyTorch
• Compreender a segmentação de imagens.
• Criação de um modelo de segmentação convolucional com PyTorch.
• Preparação dos dados de treino para segmentação.
• Treino e avaliação do desempenho do modelo.
Geração de imagens com GAN
• Introdução às redes generativas adversariais (GAN).
• Criação de um modelo GAN simples com PyTorch.
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré-requisitos e necessidades dos participantes.
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Objetivos da formação
- Implementar Keras, PyTorch e OpenCV para o tratamento de imagens.
Duração da formação
Programa da formação
Tratamento de imagens e IA
• Introdução ao tratamento de imagens e ao Machine Learning.
• Apresentação das bibliotecas Keras, PyTorch e OpenCV.
O projeto TensorFlow
• Histórico.
• Funcionalidades.
• Arquitetura distribuída.
• Plataformas suportadas.
Primeiros passos com TensorFlow
• Princípio dos tensores.
• Características de um tensor: tipo de dados e dimensões.
• Definição de tensores simples.
• Gestão de variáveis e persistência.
• Representação dos cálculos e das dependências entre operações através de grafos.
• Optimização dos cálculos.
Cálculo distribuído
• Diferentes tipos de estratégias (síncrona ou assíncrona).
• Armazenamento centralizado ou duplicado dos dados em diferentes CPUs.
• Distribuição em GPUs.
• Utilização de TPUs.
Redes neuronais
• Princípio das redes neuronais.
• Diferentes tipos de camadas: densas, convoluções e funções de ativação.
• Funcionamento das redes neuronais convolucionais (CNN).
• Descida de gradiente.
• Multi-Layer Perceptron.
Implementação com Keras
• Conceção de uma rede neuronal.
• Criação e treino de um modelo CNN simples com Keras.
Classificação de imagens com Keras
• Noção de classificação.
• Casos de utilização.
• Arquiteturas de redes convolucionais.
• Redes ImageNet, RCNN e SSD.
• Demonstrações sobre convoluções.
Otimização de modelos
• Visualização com TensorBoard.
• Otimização das camadas de convolução.
• Escolha de hiperparâmetros com Keras e Keras Tuner.
• Utilização de checkpoints.
Deteção de objetos com OpenCV e IA
• Princípios da deteção de objetos.
• Tipos de modelos de deteção de objetos (classificadores em cascata, YOLO, SSD, Faster R-CNN).
• Utilização de OpenCV para deteção de objetos.
Biblioteca OpenCV
• Apresentação aprofundada da biblioteca OpenCV para visão por computador.
• Configuração do ambiente OpenCV.
• Carregar e apresentar imagens com OpenCV.
• Introdução aos classificadores em cascata para deteção de objetos.
Modelos de IA pré-treinados
• Apresentação de modelos pré-treinados para deteção de objetos.
• Comparação entre modelos (YOLO, SSD, Faster R-CNN).
• Escolha do modelo em função das necessidades da aplicação.
Segmentação de imagens com PyTorch
• Compreender a segmentação de imagens.
• Criação de um modelo de segmentação convolucional com PyTorch.
• Preparação dos dados de treino para segmentação.
• Treino e avaliação do desempenho do modelo.
Geração de imagens com GAN
• Introdução às redes generativas adversariais (GAN).
• Criação de um modelo GAN simples com PyTorch.
Nota: O conteúdo deste programa pode ser objeto de adaptação em função dos níveis, pré-requisitos e necessidades dos participantes.
Formador
Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.
Clique na imagem para expandir
Os nossos espaços de formação oferecem todas as condições para continuar o seu desenvolvimento pessoal e profissional em absoluta segurança
Não se esqueça de subscrever o blog RhBizz e de nos seguir no LindekIn, Facebook, Instagram e Youtube.
