INTELIGÊNCIA ARTIFICIAL (IA) E FERRAMENTAS DE DEEP LEARNING (TENSORFLOW, CAFFE, PYTORCH) – COMPREENDER OS SEUS CONTRIBUTOS

Objetivos da formação

• Distinguir os contributos do Deep Learning e da IA, os princípios de funcionamento e as diferentes ferramentas disponíveis.
• Descrever os conceitos de Machine Learning e a evolução para o Deep Learning (redes neuronais profundas).
• Reconhecer os blocos fundamentais do Deep Learning: redes neuronais simples, convolucionais e recorrentes.
• Identificar modelos mais avançados: auto‑encoders, GAN e aprendizagem por reforço.
• Implementar as bases teóricas e práticas da arquitetura e convergência de redes neuronais.
• Explicar as metodologias de implementação de redes neuronais, bem como os pontos fortes e limitações destas ferramentas.

Duração da formação

Programa da formação

COMPREENDER OS CONCEITOS DE MACHINE LEARNING E A EVOLUÇÃO PARA O DEEP LEARNING (REDES NEURONAIS PROFUNDAS)

• Definições e posicionamento: IA, Deep Learning e Machine Learning.

• Contributos do Deep Learning e estado da arte.

• Ferramentas disponíveis.

• Exemplos de projetos.

• Domínios de aplicação e exemplos.

• Apresentação da DeepMind.

• Ferramentas de Deep Learning de alto nível: Keras / TensorFlow, Caffe / PyTorch, Lasagne.

Exemplos de exercícios práticos:

• Implementação em Cloud AutoML: linguagem natural, tradução, reconhecimento de imagens.

COMPREENDER AS BASES TEÓRICAS E PRÁTICAS DA ARQUITETURA E CONVERGÊNCIA DE REDES NEURONAIS

• Funcionamento de uma rede neuronal.

• Compreender o funcionamento da aprendizagem de uma rede neuronal.

• Compreender a retropropagação do erro e a convergência.

• Compreender a descida do gradiente.

• Funções de erro: MSE, Binary Cross Entropy.

• Otimizadores: SGD, RMSprop, Adam.

• Definições: camada, epochs, batch size, iterações, loss, learning rate, momentum.

• Otimizar um treino através da divisão em treinos pouco profundos.

• Compreender o princípio dos hiperparâmetros.

• Escolha de hiperparâmetros.

Exemplos de exercícios práticos:

• Construir uma rede capaz de reconhecer uma curva.

CONHECER OS BLOCOS FUNDAMENTAIS DO DEEP LEARNING: REDES NEURONAIS SIMPLES, CONVOLUCIONAIS E RECORRENTES

• Redes neuronais: princípio e diferentes tipos.

• Diferentes formas de redes: MultiLayer Perceptron (FNN / MLP), CNN.

• Camadas de entrada, saída e cálculo.

• Funcionamento de uma camada de convolução.

• Definições: kernel, padding, stride.

• Funcionamento de uma camada de pooling.

• API padrão e modelos de aprendizagem.

• Aprender a interpretar uma curva de aprendizagem.

• Modelos de Deep Learning para Keras: Xception, Inception, ResNet, VGG, LeNet.

Exemplos de exercícios práticos:

• Construção de uma rede neuronal de reconhecimento de imagens.
• Comparação de curvas de aprendizagem com TensorFlow em vários parâmetros.

COMPREENDER MODELOS MAIS AVANÇADOS: AUTO‑ENCODERS, GAN, APRENDIZAGEM POR REFORÇO

• Representações dos dados.

• Ruído.

• Camadas de codificação: codificação inteira, one‑hot, embedding layer.

• Noção de auto‑encoder.

• Auto‑encoders empilhados, convolucionais e recorrentes.

• Compreender redes generativas adversariais (GAN) e os seus limites de convergência.

• Aprendizagem por transferência.

• Como otimizar recompensas.

• Evoluções para GRU (Gated Recurrent Units) e LSTM (Long Short Term Memory).

• Tratamento NLP: codificação de caracteres e palavras, tradução.

Exemplos de exercícios práticos:

• Treino de um auto‑encoder variacional num conjunto de imagens.

COMPREENDER AS METODOLOGIAS DE IMPLEMENTAÇÃO DE REDES NEURONAIS

• Preparação de dados, regularização, normalização e extração de características.

• Otimização da política de aprendizagem.

• Exploração de modelos e implementação em produção.

• TensorFlow Hub e Serving.

• Visualização das reconstruções.

Exemplos de exercícios práticos:

• Implementação de um servidor de modelos e de uma aplicação TFLite.

COMPREENDER OS PONTOS FORTES E LIMITAÇÕES DESTAS FERRAMENTAS

• Identificação de problemas de convergência e do Vanishing Gradient.

• Erros de arquitetura.

• Como distribuir uma rede neuronal.

• Limites do Deep Learning: imitar ou criar.

• Casos concretos de utilização.

• Introdução às máquinas quânticas.

Formador

Facilitador que combina know-how com experiência empresarial e competências pedagógicas, para dar resposta a necessidades operacionais e potenciar a aprendizagem.