Inteligência Artificial Multimodal e VIsão Computacional - EAD com aulas ao vivo

AMPLIE SUAS COMPETÊNCIAS NA ÁREA DE DADOS COM MAIS AGILIDADE!

Os cursos da área de Ciência de Dados e Inteligência Artificial foram desenvolvidos para se complementarem. Isso significa que, ao concluir uma das especializações, você pode solicitar dispensa de disciplinas equivalentes em outro curso e conquistar um novo diploma com mais agilidade.

Benefícios para sua formação:

• Aproveitamento de disciplinas já cursadas

• Redução do tempo total de formação

• Economia de investimento

• Expansão das competências em diferentes áreas da IA e Ciência de Dados

Convergência entre cursos

Veja abaixo exemplos de aproveitamento entre cursos:

De Ciência de Dados e Big Data para:

• Ciência de Dados e IA Aplicadas à Saúde: 5 disciplinas 

• Engenharia de IA e MLOps: 2 

• Estatística para IA e Ciência de Dados: 8 

• IA Generativa e Aplicações com LLMs: 2 

• Inteligência Artificial e Aprendizado de Máquina: 8 

• IA Multimodal e Visão Computacional: 4 

• Ciência de Dados e IA para o Mercado Financeiro: 5 

Outros cursos também apresentam aproveitamento entre si, com variações entre 1 e 8 disciplinas dispensadas, dependendo da combinação.

Disciplinas compartilhadas entre os cursos

As seguintes disciplinas aparecem em dois ou mais cursos:

• Arquiteturas de Deep Learning

• Cloud Computing para IA e Ciência de Dados

• Data Discovery e Analytics

• Engenharia de Agentes e IA Agêntica

• Estatística Geral - Teoria e Aplicações

• Governança de Dados e Compliance

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

• Implementação de Modelos de Deep Learning

• Inteligência Artificial Multimodal

• Machine Learning

• MLOps e DataOps: Orquestração e Automação

• Modelos de Regressão

• Preparação e Integração de Dados

• Processamento de Linguagem Natural e Aplicações Textuais

• Python para Ciência de Dados

• Redes Neurais Generativas

• Redes Neurais Recorrentes e Transformadores

• Segurança e Governança em IA

• Séries Temporais e Forecasting

Visite as páginas dos cursos!

                         COMPETÊNCIAS DISCIPLINARES

O curso integra IA em todas as disciplinas como apoio para acelerar atividades práticas, aprofundar conhecimentos e fortalecer o vínculo entre conhecimento técnico, objetivos de negócio e competências comportamentais.

Módulo 1: Fundamentos e Processamento de Imagem

• Python para Ciência de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os principais tipos e estruturas de dados em Python, como listas, tuplas, dicionários e dataframes

• Utilizar estruturas de controle e funções para construção de scripts analíticos

• Aplicar vetorização e manipulação de matrizes numéricas com bibliotecas como NumPy

•  Integrar APIs e serviços externos em aplicações de dados

• Utilizar bibliotecas de IA Generativa para apoio à codificação e análise de dados

• Desenvolver projetos práticos com gestão de código assistida por IA
  

• Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os principais conceitos e tipos de aprendizado de máquina: supervisionado, não supervisionado e por reforço

• Aplicar algoritmos como regressão, árvores de decisão, SVM, KNN e clustering em conjuntos de dados reais

• Avaliar modelos com métricas de desempenho e técnicas de validação cruzada

• Realizar seleção de atributos e engenharia de features para melhorar a performance dos modelos

• Utilizar bibliotecas como Scikit-learn e IA Generativa para automação de tarefas analíticas

• Desenvolver projetos práticos com aplicação de modelos preditivos em problemas de negócio
  

• Processamento Digital de Imagem

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos de visão computacional e os princípios do processamento digital de imagens

• Aplicar transformações geométricas, operações morfológicas e técnicas de segmentação em imagens digitais

• Realizar extração de features, construção de descritores e classificação de imagens em diferentes contextos

• Trabalhar com imagens 3D e em tempo real, utilizando rotinas de recuperação e análise visual

• Empregar técnicas de IA para aprimorar o processamento e interpretação de imagens digitais

• Desenvolver projetos práticos com foco em rotinas de processamento e aplicações visuais inteligentes
  

Módulo 2: Deep Learning para Visão Computacional

• Classificação de Imagens com Redes Neurais Convolucionais

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos das redes neurais artificiais e convolucionais aplicadas à classificação de imagens

• Preparar conjuntos de dados, realizar treinamento e avaliação de modelos CNNs em ambientes computacionais

• Aplicar técnicas de transferência de aprendizado, fine-tuning e data augmentation para melhorar a performance dos modelos

• Otimizar hiperparâmetros e utilizar IA para geração de datasets sintéticos e explicações visuais automatizadas

• Desenvolver projetos práticos com aplicação de CNNs em tarefas reais de classificação de imagens
  

• Detecção e Segmentação de Objetos em Imagem e Vídeo

Ao final da disciplina, os alunos deverão ser capazes de:

• Dominar os fundamentos da detecção, segmentação e rastreamento de objetos em imagens digitais, compreendendo os principais métodos e suas aplicações.

• Preparar e organizar dados para tarefas de visão computacional, incluindo pré-processamento, anotação e geração de conjuntos de treino e teste.
  

• Treinar modelos de detecção e segmentação.

• Implementar soluções, capazes de detectar e rastrear objetos em vídeo e aplicações interativas, otimizando recursos computacionais.

• Usar APIs para consumo de modelos treinados, incluindo documentação técnica e integração assistida por ferramentas de GenAI.

• Aplicar IA generativa para apoiar tarefas de bounding boxes, explicações visuais, documentação e rotinas de deploy automatizado.

• Conduzir projetos práticos, integrando modelos de visão computacional em cenários reais de análise visual.

• Redes Neurais Recorrentes e Transformadores

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos das redes neurais recorrentes (RNNs), incluindo arquiteturas LSTM e GRU

• Aplicar modelos baseados em transformadores, como BERT, GPT e XLNet, em tarefas de processamento sequencial

• Implementar e avaliar modelos com codificadores, decodificadores e mecanismos de atenção

• Utilizar técnicas de treinamento e validação para RNNs e transformadores em contextos reais

• Empregar GenAI e RAG para análise contextual, geração de código e explicações assistidas

• Desenvolver projetos práticos com aplicação de modelos sequenciais e transformadores

Módulo 3: Aplicações Avançadas e Multimodalidade

• Processamento e Análise de Vídeo

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos do processamento de vídeo, incluindo estabilização, correção de cor e redução de ruído

• Aplicar técnicas de segmentação, rastreamento de objetos e análise de movimento em vídeos digitais

• Implementar soluções para reconhecimento de atividades, reconstrução 3D e análise de vídeos multimodais e 360 graus

• Utilizar IA para análise em tempo real, extração de eventos e geração automatizada de relatórios visuais

• Desenvolver projetos práticos com aplicação de técnicas de processamento e análise de vídeo em ambientes reais
  

• Inteligência Artificial Multimodal

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da análise visual multimodal e representação de dados heterogêneos

• Aplicar técnicas de fusão, alinhamento e correspondência entre diferentes modalidades de dados

• Implementar modelos de aprendizado multimodal, incluindo redes híbridas e de atendimento cruzado

• Utilizar IA para extração de features e geração de conteúdo entre modalidades (text-to-image e image-to-text)

• Desenvolver projetos práticos com integração de dados multimodais em aplicações reais
  

• Visão Computacional Edge e Mobile

Ao final da disciplina, os alunos deverão ser capazes de:

• Otimizar modelos de visão computacional para dispositivos móveis e embarcados utilizando técnicas como quantização e pruning

• Utilizar frameworks especializados como TensorFlow Lite, ONNX e OpenVINO para desenvolvimento em edge computing

• Implementar soluções de processamento em tempo real com foco em latência e eficiência

• Integrar visão computacional com sistemas IoT em aplicações embarcadas

• Desenvolver aplicações móveis com funcionalidades de visão computacional

• Utilizar assistentes de IA para acelerar o desenvolvimento, testes e documentação de aplicações
  

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os princípios e arquiteturas dos modelos de IA Generativa, incluindo LLMs e Diffusion Models

• Projetar e implementar agentes inteligentes baseados em IA Generativa para tarefas específicas

• Integrar modelos generativos em aplicações práticas como assistentes virtuais, geração de conteúdo e automação de processos

• Utilizar técnicas de engenharia de prompt para controle e personalização de respostas dos agentes

• Avaliar aspectos éticos, de segurança e de interpretabilidade na construção de agentes generativos

• Desenvolver soluções completas com IA Agêntica aplicadas a contextos corporativos, educacionais ou criativos
  

• IA Generativa Multimodal: Modelos, Técnicas e Aplicações

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender a evolução dos modelos generativos, desde GANs e VAEs até Diffusion Models, reconhecendo suas arquiteturas e aplicações multimodais.

• Explorar e aplicar modelos de ponta como Stable Diffusion, DALL-E, Sora e alternativas open-source, avaliando suas vantagens e limitações.

• Dominar técnicas de condicionamento e controle da geração, incluindo engenharia de prompts para modelos visuais e multimodais.

• Avaliar e otimizar modelos generativos. 

• Desenvolver aplicações multimodais que integrem texto, imagem, áudio e vídeo, com foco em usabilidade e inovação.

• Usar APIs e disponibilizar fluxos de deploy para disponibilizar modelos generativos em ambientes reais, com documentação técnica assistida por GenAI.

• Conduzir projetos integradores, aplicando modelos multimodais

• Desenvolvimento de Aplicações Interativas com LLMs Multimodais

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos dos Large Language Models multimodais e suas capacidades de processamento conjunto de texto, imagem e áudio

• Integrar e utilizar APIs de modelos multimodais, considerando autenticação, rate limiting e gestão de custos

• Desenvolver assistentes e chatbots multimodais com foco em design de interface, gerenciamento de contexto e engenharia de prompts visuais

• Implementar arquiteturas de aplicações com streaming de respostas e otimização de performance

• Aplicar técnicas de RAG multimodal com bases de dados vetoriais para recuperação e geração de conteúdo

• Utilizar frameworks como LangChain, LlamaIndex, Streamlit e Gradio para prototipagem, deployment e escalabilidade de aplicações interativas
  

• Arquitetura e Governança de Soluções de IA

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o ciclo de vida de soluções de IA e os principais algoritmos de aprendizado

• Projetar arquiteturas de Machine Learning com base em camadas, componentes e práticas de MLOps

• Definir escopo, metodologia e etapas de projetos em IA com foco em governança e segurança

• Avaliar desempenho de modelos e aplicar métricas de qualidade em ambientes produtivos

• Integrar conceitos como AI-as-a-Service, AI Gateways e LLMOps em soluções corporativas

• Gerenciar riscos, conformidade e segurança em projetos de IA com base em regulamentações vigentes

Módulo 4: Automação, Operações e Projeto Final

• MLOps e DataOps: Orquestração e Automação

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os princípios de DataOps e MLOps e sua importância na governança de dados e modelos

• Implementar pipelines automatizados para ingestão, transformação e entrega de dados

• Orquestrar o ciclo de vida de modelos de machine learning com ferramentas como MLFlow, Kubeflow ou similares

• Monitorar e versionar modelos em ambientes produtivos com práticas de CI/CD

• Utilizar IA Generativa para geração de scripts, documentação e automação de processos operacionais

• Desenvolver soluções completas com integração entre dados, modelos e infraestrutura
  

• Projeto em IA Multimodal e Visão Computacional

Ao final da disciplina, os alunos deverão ser capazes de:

• Definir problemas reais e estruturar escopos claros para soluções baseadas em visão computacional

• Planejar e implementar arquiteturas de solução end-to-end, desde a coleta de dados até a implantação

• Selecionar, treinar e validar modelos utilizando métricas de desempenho e ferramentas adequadas

• Realizar implantação contínua com empacotamento, deploy e governança de modelos

• Documentar tecnicamente o projeto com apoio de IA generativa para relatórios e apresentações

• Avaliar o desempenho pós-implantação e propor melhorias com base em análise retrospectiva