O interesse em Deep Learning explodiu nos últimos anos. O aprendizado de máquina está em toda parte, em programas acadêmicos, conferências e um número de aplicações que cresce numa taxa exponencial. Os alunos deste curso vão aprender a desenvolver Provas de Conceito (PoC) de aplicações de Deep Learning e praticar o passo a passo da criação de um ambiente de desenvolvimento de Deep Learning (Windows e Linux) em máquinas que utilizam GPUs.

Deep Learning é um ramo da AI (Artificial Intelligence) que emprega modelos matemáticos capazes de aprender a partir de dados. Um programa de inteligência artificial (AI) é capaz de aprender, raciocinar, inferir, agir e se adaptar. AI "aprende" a partir de um conjunto grande e diversificado de dados, usado para treinar modelos. Uma vez treinado, o modelo é então utilizado para inferir resultados em dados semelhantes, novos ou ainda não conhecidos pelo programa. Exemplos: transformar a fala verbal em texto, identificar anomalias em uma série de imagens e vídeos, calcular quando uma máquina está prestes a falhar, etc. A viabilidade dessas aplicações exige fluxo de dados maciço e um poder computacional que desafia a computação de alto desempenho.

O curso é oferecido pelo Laboratório de Inteligência Computacional Aplicada (ICA). O ICA tem 27 anos de experiência no desenvolvimento de pesquisa e projetos de AI aplicada para empresas como Petrobras, Vale, Light, entre outras. Seus pesquisadores são professores deste curso e do BI MASTER, a pós-graduação lato sensu em Ciência de Dados da PUC-Rio.

Em 2018, o ICA foi nomeado “INTEL AI Innovation Center”, e agora disponibiliza aos alunos, acesso à DevCloud da INTEL (Nervana Cloud), além do acesso a clusters, Intel Skylake e clusters de GPUs NVIDIA P100 e V100, em sua própria nuvem.  
 

Introduzir os conceitos de machine learning e praticar Deep Learning com dados não estruturados e estruturados como imagens, textos, sinais de qualquer natureza (áudio, eletromagnético, wifi, sísmica, etc). Durante o curso, você vai poder propor e desenvolver uma aplicação em sua área de interesse (condicionado à complexidade da mesma e disponibilidade de dados).

Serão apresentados os principais algoritmos de deep learning, como Redes Neurais Convolucionais, Redes Recorrentes, Redes Deep Autoencoder, Redes Generativas adversárias. Aplicações em visão computacional, reconhecimento de voz e reconhecimento de padrões, previsão de séries, utilizando a linguagem PHYTON, serão vistas durante o curso. 

Alunos de Graduação/Pós-graduação de Exatas e profissionais ligados às áreas de TI, engenharia, energia, economia, finanças, matemática, estatística, contabilidade, administração e afins.

Os candidatos devem ter experiência em programação e noções de Python. A seleção será com base em currículo e entrevista por telefone. As inscrições de candidatos que não atendam aos requisitos, não serão consideradas.

Teoria e intensa abordagem "hands-on" usando Python. Professores e monitores estarão ao seu lado nas aulas para ajudá-lo em cada passo do curso e do desenvolvimento de um PoC. PoC (Proof of Concept) é uma solução funcional que pode ser avaliada e testada de acordo com critérios claros de modo a permitir que os tomadores de decisão respondam a questões como, quais oportunidades produzirão os melhores resultados e como garantir um resultado bem-sucedido, maximizando valor e minimizando riscos.

Avaliação: 02 provas (teoria e prática), listas de exercícios, projeto, relatório final. Aprovação se MF=7,0.

Veja algumas das aplicações de Deep Learning desenvolvidas por alunos apoiados pelo Laboratório ICA:

·         Analise sentimental de frases inapropriadas (palavrão) ou conteúdo errado em publicações de empresas de compra e venda de produtos e serviços através de anúncios classificados na Internet.

·         Similaridade de documentos de publicações de compras e vendas de produtos e serviços na web.

·         Rotulação de vídeo (Vídeo Classification and Captioning).

·         Sistema de Monitoramento a partir de vídeos utilizando Deep Learning

·         Classificação de Espécies Vegetativas utilizando Aprendizado Estruturado Profundo

·         Redes Neurais Convolutivas e T-sne para classificação e agrupamento de narrativas

·         Reconhecimento Facial de Celebridades com Deep Learning

·         Uso de Redes Recorrentes (LSTM) para predição de letras de músicas

·         Deep Reinforcement Learning para robôs

·         Aprendizagem Profunda no Ajuste de Histórico sob Incertezas para Modelos de Fácies Geológicas