Curso de Visão Computacional com Python

Esta formação ao vivo, liderada por instrutores, em Portugal cobre técnicas avançadas de Python, boas práticas de engenharia e padrões de projeto. Ajuda os desenvolvedores a construir aplicações manuteníveis, testáveis e de alto desempenho utilizando ferramentas modernas, tipagem e modelos de concorrência para sistemas de nível de produção.

Esta formação ao vivo, conduzida por instrutor em Portugal, aborda técnicas práticas de Python para a construção de agentes autónomos, incluindo ciclos de agentes, integrações de ferramentas, gestão de memória, orquestração e controlos de segurança. Ideal para engenheiros de ML, foca-se na implementação de agentes robustos e prontos para produção.

Esta formação intermédia em Portugal capacita os desenvolvedores Python a projetar e implantar soluções de IA utilizando bibliotecas avançadas. Você irá implementar modelos de aprendizagem supervisionada, não supervisionada e por reforço, otimizar redes neurais e integrar a IA em fluxos de trabalho do mundo real de forma eficaz.

Esta formação ao vivo, conduzida por instrutor em Portugal (online ou presencial), destina-se a desenvolvedores de IA e engenheiros de visão computacional de nível intermédio que desejam construir sistemas de visão robustos para aplicações de condução autónoma.

No final desta formação, os participantes deverão ser capazes de:

• Compreender os conceitos fundamentais da visão computacional em veículos autónomos.
• Implementar algoritmos para deteção de objetos, deteção de faixas de rodagem e segmentação semântica.
• Integrar sistemas de visão com outros subsistemas do veículo autónomo.
• Aplicar técnicas de aprendizagem profunda para tarefas avançadas de perceção.
• Avaliar o desempenho de modelos de visão computacional em cenários reais.

Esta formação ao vivo, com instrutor, em Portugal (online ou presencial), destina-se a profissionais de nível avançado que desejam aprofundar o seu conhecimento em visão computacional e explorar as capacidades do TensorFlow para o desenvolvimento de modelos de visão sofisticados utilizando o Google Colab.

Ao final desta formação, os participantes serão capazes de:

• Construir e treinar redes neurais convolucionais (CNNs) utilizando TensorFlow.
• Aproveitar o Google Colab para o desenvolvimento de modelos na cloud de forma escalável e eficiente.
• Implementar técnicas de pré-processamento de imagem para tarefas de visão computacional.
• Implantar modelos de visão computacional para aplicações do mundo real.
• Utilizar o transfer learning para melhorar o desempenho dos modelos CNN.
• Visualizar e interpretar os resultados de modelos de classificação de imagens.

Esta formação ao vivo, com instrutor, em Portugal (online ou presencial), destina-se a desenvolvedores Python e analistas de dados de nível intermédio que pretendem aprimorar as suas competências em análise e manipulação de dados utilizando Pandas e NumPy.

No final desta formação, os participantes serão capazes de:

• Configurar um ambiente de desenvolvimento que inclua Python, Pandas e NumPy.
• Criar uma aplicação de análise de dados usando Pandas e NumPy.
• Executar operações avançadas de extração e preparação de dados (data wrangling), ordenação e filtragem.
• Realizar operações de agregação e analisar dados de séries temporais.
• Visualizar dados utilizando Matplotlib e outras bibliotecas de visualização.
• Depurar e otimizar o seu código de análise de dados.

Esta formação ao vivo, conduzida por instrutores, em Portugal (online ou presencial), destina-se a engenheiros de visão computacional, desenvolvedores de IA e profissionais de IoT com níveis intermédios a avançados, que pretendem implementar e otimizar modelos de visão computacional para processamento em tempo real em dispositivos de borda.

No final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da Edge AI e as suas aplicações em visão computacional.
• Implantar modelos otimizados de deep learning em dispositivos de borda para análise de imagens e vídeos em tempo real.
• Utilizar frameworks como TensorFlow Lite, OpenVINO e NVIDIA Jetson SDK para a implantação de modelos.
• Otimizar modelos de IA para desempenho, eficiência energética e inferência com baixa latência.

Esta formação presencial ou online, conduzida por instrutor, em Portugal destina-se a elementos das forças de segurança de nível iniciante que pretendem transitar da criação de esboços faciais manuais para a utilização de ferramentas de IA no desenvolvimento de sistemas de reconhecimento facial.

No final desta formação, os participantes serão capazes de:

• Compreender os fundamentos da Inteligência Artificial e da Aprendizagem Automática.
• Aprender os princípios do processamento de imagens digitais e a sua aplicação no reconhecimento facial.
• Desenvolver competências na utilização de ferramentas e estruturas de IA para criar modelos de reconhecimento facial.
• Adquirir experiência prática na criação, formação e teste de sistemas de reconhecimento facial.
• Compreender as considerações éticas e as melhores práticas no uso da tecnologia de reconhecimento facial.

Esta formação ao vivo, conduzida por um formador (online ou presencial), destina-se a desenvolvedores que pretendem utilizar a stack FARM (FastAPI, React e MongoDB) para construir aplicações web dinâmicas, de alto desempenho e escaláveis.

No final desta formação, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário que integre FastAPI, React e MongoDB.
• Compreender os conceitos-chave, funcionalidades e vantagens da stack FARM.
• Aprender a construir APIs REST com FastAPI.
• Aprender a desenhar aplicações interativas com React.
• Desenvolver, testar e implementar aplicações (front-end e back-end) utilizando a stack FARM.

Esta formação ao vivo, com instrutor, em Portugal (online ou presencial), destina-se a desenvolvedores que pretendem utilizar o FastAPI em conjunto com Python para construir, testar e implantar APIs RESTful de forma mais fácil e rápida.

No final desta formação, os participantes serão capazes de:

• Configurar o ambiente de desenvolvimento necessário para criar APIs com Python e FastAPI.
• Criar APIs de forma mais rápida e eficiente utilizando a biblioteca FastAPI.
• Aprender a criar modelos de dados e esquemas baseados no Pydantic e no OpenAPI.
• Ligar APIs a bases de dados utilizando o SQLAlchemy.
• Implementar segurança e autenticação em APIs utilizando as ferramentas do FastAPI.
• Construir imagens de contentores e implantar APIs web num servidor em nuvem.

Esta formação prática sobre Portugal cobre os fundamentos do Fiji e do ImageJ para investigação biológica. Os aprendentes adquirem competências práticas em pré-tratamento de imagem, análise quantitativa e automação com macros para otimizar fluxos de trabalho para tecidos histológicos, células e outras amostras com resultados reproduzíveis.

Esta formação presencial ao vivo em Portugal (online ou nas instalações do cliente), conduzida por instrutores, destina-se a profissionais com nível intermédio que pretendam utilizar o Vision Builder AI para conceber, implementar e otimizar sistemas de inspeção automatizada para processos de SMT (Surface-Mount Technology).

No final desta formação, os participantes serão capazes de:

• Configurar e definir inspeções automatizadas utilizando o Vision Builder AI.
• Aquisionar e pré-processar imagens de alta qualidade para análise.
• Implementar decisões baseadas em lógica para deteção de defeitos e validação de processos.
• Gerar relatórios de inspeção e otimizar o desempenho do sistema.

Esta formação ao vivo, orientada por um instrutor, em Portugal (online ou presencial), destina-se a desenvolvedores, investigadores e cientistas de dados de nível intermédio a avançado que desejam aprender a implementar a deteção de objetos em tempo real utilizando o YOLOv7.

Ao final desta formação, os participantes serão capazes de:

• Compreender os conceitos fundamentais da deteção de objetos.
• Instalar e configurar o YOLOv7 para tarefas de deteção de objetos.
• Treinar e testar modelos personalizados de deteção de objetos utilizando o YOLOv7.
• Integrar o YOLOv7 com outros quadros de trabalho (frameworks) e ferramentas de visão computacional.
• Resolver problemas comuns relacionados com a implementação do YOLOv7.