Visão Geral

Curso Computer Vision with TensorFlow. As soluções de visão computacional estão se tornando cada vez mais comuns, abrindo caminho em áreas como saúde, automóveis, mídias sociais e robótica. Este Curso Computer Vision with TensorFlow, explorará o TensorFlow 2, a estrutura de código aberto do Google para aprendizado de máquina. Junte-se a nós para aprender como usar redes neurais convolucionais (CNNs) para suas tarefas visuais. Este curso começa com os fundamentos da visão computacional e do aprendizado profundo, ensinando como construir uma rede neural. Você descobrirá os recursos que tornaram o TensorFlow a biblioteca de IA mais usada, juntamente com sua interface Keras intuitiva. Em seguida, você passará a construir, treinar e implantar CNNs com eficiência.

Completo com exemplos de código concretos, este curso mostra como classificar imagens com soluções modernas, como Inception e ResNet, e extrair conteúdo específico usando You Only Look Once (YOLO), Mask R-CNN e U-Net. Você também construirá redes adversárias generativas (GANs) e autoencoders variacionais (VAEs) para criar e editar imagens, e redes de memória de longo e curto prazo (LSTMs) para analisar vídeos. Neste curso, você adquirirá insights avançados sobre aprendizagem por transferência, aumento de dados, adaptação de domínio e implantação móvel e web, entre outros conceitos-chave.

Objetivo

Ao participar do Curso Computer Vision with TensorFlow, os participantes aprenderão a:

• Crie, treine e forneça suas próprias redes neurais profundas com TensorFlow 2 e Keras
• Aplique soluções modernas a uma ampla gama de aplicações, como detecção de objetos e análise de vídeo
• Execute seus modelos em dispositivos móveis e páginas da web e melhore seu desempenho.
• Crie suas próprias redes neurais do zero
• Classifique imagens com arquiteturas modernas, incluindo Inception e ResNet
• Detecte e segmente objetos em imagens com YOLO, Mask R-CNN e U-Net
• Resolver os problemas enfrentados no desenvolvimento de carros autônomos e sistemas de reconhecimento de emoções faciais
• Aumente o desempenho do seu aplicativo com transferência de aprendizagem, GANs e adaptação de domínio
• Use redes neurais recorrentes (RNNs) para análise de vídeo
• Otimize e implante suas redes em dispositivos móveis e no navegador

Pre-Requisitos

• Habilidades básicas em Python
• Bom conhecimento básico de representação de imagens (pixels, canais, etc.)
• Compreensão da manipulação de Matrix (formas, produtos, etc.)

Materiais

Conteúdo Programatico

Computer Vision and Neural Networks

1. Computer Vision and Neural Networks
2. Technical requirements
3. Computer vision in the wild
4. A brief history of computer vision
5. Getting started with neural networks

TensorFlow Basics and Training a Model

1. TensorFlow Basics and Training a Model
2. Technical requirements
3. Getting started with TensorFlow 2 and Keras
4. TensorFlow 2 and Keras in detail
5. The TensorFlow ecosystem

Modern Neural Networks

1. Modern Neural Networks
2. Technical requirements
3. Discovering convolutional neural networks
4. Refining the training process

Influential Classification Tools

1. Influential Classification Tools
2. Technical requirements
3. Understanding advanced CNN architectures
4. Leveraging transfer learning

Object Detection Models

1. Object Detection Models
2. Technical requirements
3. Introducing object detection
4. A fast object detection algorithm – YOLO
5. Faster R-CNN – a powerful object detection model

Enhancing and Segmenting Images

1. Enhancing and Segmenting Images
2. Technical requirements
3. Transforming images with encoders-decoders
4. Understanding semantic segmentation

Training on Complex and Scarce Datasets

1. Training on Complex and Scarce Datasets
2. Technical requirements
3. Efficient data serving
4. How to deal with data scarcity

Video and Recurrent Neural Networks

1. Video and Recurrent Neural Networks
2. Technical requirements
3. Introducing RNNs
4. Classifying videos

Optimizing Models and Deploying on Mobile Devices

1. Optimizing Models and Deploying on Mobile Devices
2. Technical requirements
3. Optimizing computational and disk footprints
4. On-device machine learning
5. Example app – recognizing facial expressions