INTELIGÊNCIA ARTIFICIAL MULTIMODAL E VISÃO COMPUTACIONAL - Online

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

Estatística Geral - Teoria e Aplicações

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

• Aplicar estatística descritiva e inferência estatística em contextos reais

• Compreender e utilizar distribuições de probabilidade e testes de hipóteses

• Realizar regressão linear simples e interpretar seus resultados

• Dimensionar amostras e aplicar diferentes técnicas de amostragem

• Utilizar softwares estatísticos e IA Generativa para análise e geração de relatórios

• Empregar engenharia de prompt para conduzir análises estatísticas automatizadas

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

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

• Compreender os fundamentos da detecção, segmentação e rastreamento de objetos em imagens digitais

• Preparar dados, treinar modelos e aplicar os principais algoritmos utilizados em tarefas de visão computacional

• Implementar soluções em tempo real para detecção e segmentação com foco em desempenho e precisão

• Desenvolver APIs para uso de modelos treinados, com suporte a documentação técnica e integração assistida por GenAI

• Utilizar IA generativa para criação automatizada de bounding boxes, explicações visuais e rotinas de deploy

• Desenvolver projetos práticos com aplicação de modelos em contextos 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

Redes Neurais Generativas

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

• Compreender os fundamentos das redes neurais generativas, incluindo autoencoders, VAEs, GANs e modelos de difusão

• Implementar e treinar modelos generativos para síntese de imagens e dados complexos

• Avaliar e regularizar modelos generativos com foco em interpretabilidade e explicabilidade

• Utilizar assistentes de IA para otimização de arquiteturas e geração automatizada de métricas de avaliação

• Empregar GenAI para análise de resultados e desenvolvimento de soluções criativas com redes generativas

• Desenvolver projetos práticos com aplicação de modelos generativos em contextos visuais e interativos
  

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

Robótica e Automação com Visão Computacional

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

• Compreender os fundamentos da robótica, incluindo tipos de robôs, cinemática, dinâmica e controle

• Projetar sistemas automatizados com sensores, atuadores e arquiteturas de controle

• Integrar sensores de visão e comunicação entre robôs em sistemas robóticos inteligentes

• Aplicar técnicas de visão computacional para navegação, manipulação e reconhecimento de objetos

• Utilizar algoritmos de aprendizado por reforço e aprendizado baseado em modelos para controle robótico

• Desenvolver projetos práticos que integrem visão computacional e ação robótica com suporte de assistentes de IA

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

Engenharia de Agentes e IA Agêntica

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

• Compreender os fundamentos de agentes inteligentes e sistemas multiagentes, incluindo arquiteturas e taxonomias

• Projetar sistemas multiagentes com coordenação, comunicação e protocolos de negociação

• Implementar agentes baseados em LLMs com técnicas de prompting agêntico e integração de ferramentas externas

• Avaliar aspectos éticos, técnicos e sociais relacionados à governança e responsabilidade em sistemas agênticos

• Desenvolver, implantar e validar sistemas multiagentes com aplicações práticas em ambientes reais
  

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 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

Humanidades

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

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos