Essa é uma turma especial de formação de desenvolvedores para a equipe do ICA: Laboratório de Inteligência Computacional Aplicada da PUC-Rio. 

O ICA é um laboratório com 26 anos de experiência no desenvolvimento de projetos de AI aplicada para empresas como Petrobras, Vale, Light, entre outras. Seus pesquisadores (10 PhDs) são professores do BI MASTER, pós-graduação lato sensu em Ciência de Dados do Departamento de Engenharia Elétrica.

Nomeado “INTEL AI Innovation Center”, em 2018, o ICA agora disponibiliza aos alunos, acesso à DevCloud da INTEL (Nervana Cloud), além do acesso a clusters de GPU/CPU em sua nuvem. 

Os alunos vão aprender a idealizar e desenvolver soluções para problemas, usando machine learning (ML), e criar aplicações de deep learning em plataformas como tensorflow, keras, Caffe, Theano, Torch e outras.

Os candidatos às 14 vagas devem atender aos seguintes requisitos: ser alunos de engenharia e/ou computação com mais de 160 créditos cumpridos, ou ainda alunos que tenham colado grau em 2017.2 ou 2018.1. Os candidatos devem ainda ter experiência em programação e boa desenvoltura em matemática. A seleção será com base em currículo, histórico escolar e entrevista. A inscrição será somente através do site do CCE:  www.cce.puc-rio.br  curso Deep Learning Developer – ICA, na seção Gestão e Apoio à Decisão da aba Cursos e Eventos. Os documentos (upload pdf, imagem) necessários para a inscrição são: CV, Histórico escolar mais recente. As inscrições de candidatos que não atendam aos requisitos acima, não serão consideradas.

Deep Learning, também conhecido como aprendizado estruturado profundo, aprendizado hierárquico ou a aprendizagem de máquina em profundidade, é um ramo da aprendizagem por máquina com base em um conjunto de algoritmos que tentam modelar abstrações de alto nível em dados usando um gráfico profundo com várias camadas de processamento, composto por múltiplas transformações não-lineares e lineares.  O objetivo do curso é introduzir os conceitos de machine learning e praticar Deep Learning, intensamente, no reconhecimento de imagens, textos, sinais de qualquer natureza (áudio, eletromagnético, wifi, sísmica, etc). Serão apresentados os principais algoritmos de deep learning utilizados como Redes Neurais Convolucionais, Redes Recorrentes, Redes Deep Autoencoder, Redes Generaytivas adversarias. Aplicações em visão computacional, reconhecimento de voz e reconhecimento de padrões, além de algoritmos adaptados para GPU e CPU, utilizando a linguagem PHYTON, serão vistos durante o curso. 

Os candidatos às 14 vagas devem atender aos seguintes requisitos: ser alunos de engenharia e/ou computação com mais de 160 créditos cumpridos, ou ainda alunos que tenham colado grau em 2017.2 ou 2018.1.
Os candidatos devem ainda ter experiência em programação e boa desenvoltura em matemática.

A seleção será com base em currículo, histórico escolar e entrevista.

A inscrição será somente através do site do CCE:  www.cce.puc-rio.br  curso Deep Learning Developer – ICA, na seção Gestão e Apoio à Decisão da aba Cursos e Eventos. Os documentos (upload pdf, imagem) necessários para a inscrição são: CV, Histórico escolar mais recente. As inscrições de candidatos que não atendam aos requisitos acima, 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.

Veja algumas das aplicações que serão desenvolvidas ou demonstradas:

·         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.

·         Reconhecimento de vídeo virais de dados em streaming de empresas de mídia.

·         Rotulação de vídeo (Video Classification and Captioning).

·         Criação de metadados e trailer de filmes.

·         Sistema de Monitoramento Vegetativo utilizando Deep Learning

·         Classificação de Espécies Vegetativas utilizando Aprendizado Estruturado Profundo

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

·         Detecção de armas a partir de distorção de sinais de estações rádio-base detectada por aparelhos de celular utilizando Redes Neurais Deep Learning

·         Reconhecimento Facial de Celebridades com Deep Learning

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

·         Desenvolvimento de algoritmo inspirado em Deep Reinforcement Learning para o aprendizado de autômatos em ambientes de simulação

·         Método Híbrido Baseado em Filtro de Kalman e Modelos Generativos de Aprendizagem Profunda no Ajuste de Histórico sob Incertezas para Modelos de Fácies Geológicas