Visão Computacional

Módulo 1: Recursos Técnicos e Análise de Dados

Python para Ciência de Dados

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

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.

• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.

• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Estatística Geral - Teoria e Aplicações

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

• Aplicar conceitos de estatística descritiva e inferencial em análises de dados

• Interpretar e utilizar distribuições de probabilidade em problemas práticos

• Realizar inferências estatísticas e testes de hipóteses utilizando métodos de regressão linear.

• Utilizar softwares estatísticos para aplicar análises estatísticas em casos práticos de gestão.

• Interpretar resultados estatísticos para tomar decisões informadas.

Arquitetura de Soluções em Nuvem

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

• Avaliar diferentes provedores de nuvem (IaaS, SaaS, PaaS) para escolher a melhor solução baseada em necessidades específicas de elasticidade e disponibilidade.

• Projetar arquiteturas de nuvem seguras e escaláveis que suportem DevOps, proporcionando uma integração contínua e entrega ágil.

• Implementar soluções eficientes de multi-cloud e cloud híbrida, assegurando a interoperabilidade entre nuvens públicas e privadas.

• Realizar análises de viabilidade técnica e financeira para justificar o uso de certas tecnologias e abordagens de nuvem.

Módulo 2: Processamento de Imagens e Vídeo 

Processamento Digital de Imagem

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

• Compreender os conceitos de visão computacional e implementá-los em algoritmos de processamento de imagem.

• Aplicar transformações geométricas e operacionais morfológicas na manipulação de imagens digitais.

• Projetar e implementar sistemas de extração de características e descritores de imagens.

• Desenhar soluções que processem imagens em 3D e em tempo real para aplicações avançadas.

Processamento e Análise de Vídeo

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

• Aplicar técnicas avançadas para processamento e estabilização de vídeos, incluindo correção de cor e redução de ruído.

• Implementar técnicas de segmentação temporal para análise de eventos em vídeos.

• Criar sistemas de rastreamento de múltiplos objetos em sequências de vídeo.

• Desenvolver modelos para reconhecimento de ações e atividades em vídeos.

• Implementar técnicas de reconstrução 3D a partir de sequências de vídeo.

Detecção e Segmentação de Objetos em Imagem

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

• Implementar algoritmos state-of-the-art para detecção de objetos (ex: YOLO, SSD, Faster R-CNN).

• Desenvolver modelos de segmentação semântica e instância (ex: Mask R-CNN, U-Net).

• Criar pipelines de pré-processamento e aumento de dados para treinamento eficiente de modelos.

• Implementar técnicas de rastreamento de objetos em vídeos em tempo real.

• Otimizar modelos para execução em dispositivos com recursos limitados (edge computing).

• Criar APIs que integrem modelos de visão computacional em plataformas de software.

• Conduzir projetos práticos que exigem detecção e segmentação precisa de objetos em tempo real.

Módulo 3: Aprendizado de Máquina e Redes Neurais

Machine Learning

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

• Compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado).

• Selecionar e aplicar algoritmos adequados para problemas específicos de machine learning.

• Projetar e implementar modelos de aprendizado supervisionado e não supervisionado.

• Realizar engenharia de features eficaz para otimizar a performance dos modelos.

• Avaliar a qualidade dos modelos utilizando métricas apropriadas.

• Combinar múltiplos modelos para melhorar a generalização das soluções de aprendizado de máquina.

• Interpretar os resultados de modelos de aprendizado de máquina.

Classificação de Imagens com Redes Neurais Convolucionais

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

• Projetar e treinar modelos de Redes Neurais Convolucionais (CNNs) adaptados a diversas tarefas de classificação de imagem.

• Aplicar técnicas de data augmentation e fine-tuning para aprimorar a robustez e precisão dos modelos.

• Otimizar hiperparâmetros para maximizar o desempenho das CNNs.

• Criar projetos que implementem CNNs em cenários reais, desde a coleta de dados até a avaliação do modelo.

Redes Neurais Recorrentes e Transformadores

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

• Implementar e treinar diferentes arquiteturas de RNNs (LSTM, GRU) para processamento de sequências de imagens ou vídeos.

• Compreender e aplicar modelos baseados em transformadores para tarefas de tradução e processamento de linguagem natural.

• Desenvolver modelos baseados em transformadores para tarefas de visão computacional, como análise de cenas complexas.

• Aplicar mecanismos de atenção em modelos de visão computacional para melhorar a interpretabilidade.

• Otimizar o treinamento de RNNs e transformadores para lidar com sequências longas de dados visuais.

• Implementar modelos de linguagem visual utilizando arquiteturas como BERT ou GPT para tarefas de descrição de imagens.

Redes Neurais Generativas

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

• Construir e treinar Redes Neurais Generativas, incluindo GANs e VAEs, para criação de conteúdo.

• Avaliar e melhorar a qualidade dos modelos generativos utilizando técnicas de regularização.

• Aplicar modelos generativos para síntese de imagens e reconstrução 3D.

• Avaliar a qualidade e diversidade das imagens geradas utilizando métricas apropriadas.

Módulo 4: Análise Multimodal e Aplicações

Processamento e Análise de Imagens Biomédicas

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

• Aplicar técnicas de processamento de imagem para a análise de diversas modalidades biomédicas.

• Desenvolver técnicas para segmentação e registro de imagens biomédicas, assegurando precisão nas aplicações médicas.

• Implementar algoritmos de segmentação específicos para estruturas anatômicas em imagens médicas. 

• Integrar e analisar diferentes modalidades de dados através de fusão multimodal e extração de características em imagens biomédicas.

• Criar soluções práticas para análise de imagens biomédicas em tempo real, com aplicações em telemedicina e diagnóstico assistido.

Análise Visual Multimodal

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

• Projetar arquiteturas de redes neurais para fusão de dados visuais e textuais.

• Implementar técnicas de alinhamento entre diferentes modalidades de dados (ex: imagem-texto, áudio-vídeo).

• Desenvolver modelos de aprendizado multi-tarefa para análise visual multimodal.

• Criar sistemas de recuperação de informação cross-modal (ex: busca de imagens baseada em texto).

• Aplicar técnicas de transferência de conhecimento entre diferentes modalidades.

Robótica e Automação com Visão Computacional

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

• Integrar sistemas de visão computacional em arquiteturas robóticas.Projetar sistemas robóticos que incorporem visão computacional para automação eficiente.

• Aplicar conceitos de robot learning e deep reinforcement learning para a integração da visão e controle em robôs.

• Desenvolver soluções de manipulação robótica que utilizem dados visuais para interação robusta com o ambiente físico.

• Implementar projetos que demonstrem o uso de visão computacional em robótica para aplicações industriais e comerciais.  

Módulo 5: Integração, Projeto e Ética

Cultura e Práticas DataOps e MLOps

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

• Implementar estratégias de DataOps para melhorar a eficiência e qualidade dos processos de análise de dados.

• Desenhar pipelines de Machine Learning automatizadas usando MLOps, garantindo a gestão dos ciclos de vida dos modelos.

• Aplicar Infraestrutura como Código (IaC) para assegurar a consistência e escalabilidade dos ambientes de desenvolvimento.

• Gerenciar o ciclo de vida completo de modelos de machine learning.

• Monitorar a performance de modelos em produção.

Projetos e Aplicações em Visão Computacional

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

• Analisar e definir requisitos para projetos complexos de visão computacional.

• Desenvolver propostas técnicas detalhadas para soluções de visão computacional.

• Preparar dados, selecionar modelos apropriados e realizar implementações técnicas para resolver desafios específicos na área.

• Desenvolver protótipos funcionais de sistemas de visão computacional.

• Avaliar o desempenho e sustentabilidade das soluções de visão computacional, garantindo práticas de segurança e governança.

• Documentar e comunicar os resultados e impacto dos projetos de forma eficaz, atraindo a atenção de stakeholders. 

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.