Inteligência Artificial com Deep-learning

Objetivo

O objetivo desse curso é apresentar a área inteligência artificial usando redes neurais artificiais “deep-learning”. O curso é fundamentado em atividades práticas onde o aluno tem contato real com diversos aspectos da área de redes neurais que está revolucionando o mundo atual. Além das atividades práticas, o curso aborda também os aspectos teóricos, de forma a permitir futuros aprofundamentos. A estrutura do curso, de forma objetiva e bastante enxuta, é voltada para as atuais necessidades do mercado, contemplando os diversos aspectos da área de aprendizado de máquina com redes neurais. Em apenas um semestre o profissional estará preparado para trabalhar com essa tecnologia que está cada vez mais presente no cotidiano e nas empresas. O corpo docente é formado por profissionais de alto nível acadêmico e com reconhecida experiência profissional na área.

Público-Alvo

Esse curso é dirigido aos profissionais que buscam entender e conhecer as oportunidades criadas por essa nova tecnologia. É ideal para o profissional criativo e prático que busca obter vantagem dos atuais e futuros avanços da inteligência artificial, ou que desejam se atualizar nessa área. É dirigido aos profissionais que atuam ou desejam atuar na área de inteligência artificial (aprendizado de máquina) desenvolvendo novos negócios, novos produtos e novos dispositivos que incorporam essa tecnologia. É também dirigido aos profissionais que desejam incorporar sistemas de inteligência artificial em suas empresas de forma a melhorar e aperfeiçoar o seu desempenho.

Mais Informações

Início do Curso
Agosto de 2019
Horário
Das 19h às 22h30
Dias de aula
Terças e quintas-feiras

Investimento
*Matrícula Mensalidades
5 parcelas de R$ 1.580,00**

Até 26 de junho R$ 1.440,00
Após 26 de junho R$ 1.580,00

DESCONTOS

Ex-aluno: 10%
Grupos (2 ou mais alunos): 10%
Associados da AEXAM (ex-alunos): 15%
Ex-aluno Mauá formado em 2018: 30%
Empresas conveniadas (a consultar)

Taxa de Reserva: R$280,00

O pagamento poderá ser efetuado por meio de cartão de débito ou crédito.
Na efetivação da matrícula essa Taxa de Reserva será deduzida do valor da matricula. Em caso de desistência da matrícula o valor da taxa de reserva não será devolvido e a retenção se faz necessária para pagamento das despesas administrativas relativas ao processo seletivo, conforme preconizado no Código de Defesa do Consumidor. Caso não haja número de alunos interessados para formação de turma, o valor correspondente a Taxa de Reserva será devolvido integralmente.

*Os valores correspondentes aos descontos por períodos serão concedidos de acordo com a data de pagamento da Reserva
**Valores já atualizados para 2019, sujeitos a correção por índices inflacionários para o período de 2020

Coordenação

Eduardo Lobo Lustosa Cabral

Doutor em Dinâmica dos Sistemas e Controle pelo Massachusetts Institute of Technology. Mestre em Tecnologia de Reatores Nucleares pelo Instituto de Pesquisas Energéticas e Nucleares. Graduado em Engenharia Mecânica pela USP. Professor da Escola Politécnica da USP e do Instituto Mauá de Tecnologia. Atua nas áreas de inteligência artificial, redes neurais e dinâmica e controle de sistemas.

Disciplinas

Fundamentos de Aprendizagem de Máquina

28 h

Essa disciplina fornece uma introdução ao aprendizado de máquina e reconhecimento de padrões estatísticos. A disciplina se baseia em estudos de casos para que o aluno aprenda como aplicar algoritmos de aprendizado para percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas. O objetivo principal dessa disciplina é fornecer ao aluno uma visão geral da área de Aprendizado de Máquina e dos conceitos e métodos fundamentais utilizados.

Redes Neurais

28 h

Essa disciplina apresenta as redes neurais artificiais "deep-learning". A disciplina é baseada em atividades práticas onde os alunos implementam os conceitos e métodos apreendidos. Nessa disciplina os alunos aprendem como criar, treinar e utilizar uma rede neural. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais "deep-learning". O objetivo principal dessa disciplina é mostrar aos alunos como redes neurais "deep-learning" realmente funcionam e capacitar os alunos a aplicar essas redes em suas próprias aplicações. Além disso a disciplina apresenta as plataformas de desenvolvimento Keras e TensorFlow. A utilização dessas plataformas permite que os alunos aprendam facilmente como formular, criar e implementar problemas de aprendizado de máquina usando redes neurais..

Redes Neurais Convolutivas e Visão Computacional

32 h

Essa disciplina apresenta como construir redes neurais convolutivas e aplicá-las a imagens e vídeos. O objetivo dessa disciplina é ensinar os alunos como construir uma rede neural convolutiva, suas principais variações e como aplicar esse tipo de rede em tarefas de processamento de imagens e vídeos. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais convolutivas “deep-learning” para detecção e reconhecimento visual usando as plataformas de desenvolvimento Keras e TensorFlow. Além disso, essa disciplina ensina a etapa final de desenvolvimento de um sistema inteligente, que é a sua transformação em um produto comercial realizando o “deploy” da solução em um website.

Redes Neurais Recorrentes e Processamento de Linguagem Natural

32 h

Essa disciplina apresenta como construir redes neurais recorrentes para processamento de seqüências temporais, processamento de linguagem natural, música e áudio. O objetivo dessa disciplina é ensinar os alunos como funcionam as redes neurais recorrentes e suas variantes usuais, tais como, GRU e LSTM. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais recorrentes "deep-learning" para para problemas de linguagem natural, "chatbots", áudio, música e reconhecimento de fala usando as plataformas de desenvolvimento Keras e TensorFlow.

Corpo Docente

Anderson Harayashiki Moreira

Doutor em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Mestre em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Graduado em Engenharia de Controle e Automação pela Mauá. Desenvolve atividades e pesquisas na área de robótica autônoma móvel, sistemas de controle, robótica industrial e sistemas microcontrolados.

Eduardo Lobo Lustosa Cabral

Doutor em Dinâmica dos Sistemas e Controle pelo Massachusetts Institute of Technology. Mestre em Tecnologia de Reatores Nucleares pelo Instituto de Pesquisas Energéticas e Nucleares. Graduado em Engenharia Mecânica pela USP. Professor da Escola Politécnica da USP e do Instituto Mauá de Tecnologia. Atua nas áreas de inteligência artificial, redes neurais e dinâmica e controle de sistemas.

Elcio Hideiti Shiguemori

Doutor em Computação aplicada pelo Instituto Nacional de Pesquisas Espaciais. Mestre em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais. Graduado em Engenharia da Computação e em Ciências da Computação pela UBC. Pesquisador do Instituto de Estudos Avançados (IEAv) do Departamento de Ciência e Tecnologia Aeroespacial (DCTA).

Tiago Sanches da Silva

Engenheiro Elétrico - ênfase em Computação pelo Instituto Mauá de Tecnologia. Mestre em Engenharia Elétrica pela Universidade de São Paulo. Professor do Curso de Engenharia da Computação do Instituto Mauá de Tecnologia. Pesquisador no laboratório Núcleo de Sistemas Embarcados do Centro Universitário da Mauá. Tem experiência na área de Ciência da Computação, com ênfase Inteligência Artificial e ciência de dados aplicada, arquitetura web para aplicações na nuvem e sistemas microcontrolados.

>