Visão Geral

As Redes Neurais Convolucionais (CNNs) são o coração das aplicações modernas de Visão Computacional. Mais do que teoria, o domínio real vem da prática — construção, treinamento e ajuste de modelos. Neste curso, você irá aprender a aplicar CNNs de forma direta e eficiente, utilizando ferramentas consolidadas como TensorFlow e PyTorch. A abordagem segue a linha clássica: entender o funcionamento por trás e aplicar com rigor técnico, construindo modelos que realmente funcionam no mundo real.

Objetivo

Após realizar este curso, você será capaz de:

• Compreender o funcionamento das CNNs na prática
• Construir e treinar modelos convolucionais
• Trabalhar com classificação e análise de imagens
• Ajustar e otimizar redes neurais
• Desenvolver projetos reais com Deep Learning

Publico Alvo

• Estudantes de tecnologia e ciência de dados
• Interessados em Deep Learning e Visão Computacional
• Desenvolvedores que querem trabalhar com redes neurais
• Pessoas que desejam aplicar CNNs em projetos reais

Pre-Requisitos

• Python intermediário
• Noções de machine learning
• Fundamentos de visão computacional
• Matemática básica (álgebra linear e estatística)

Conteúdo Programatico

Module 1 – Introduction to CNNs

1. What are Convolutional Neural Networks
2. Historical context and applications
3. Differences from traditional neural networks
4. Real-world use cases

Module 2 – CNN Architecture Fundamentals

1. Convolution layers
2. Pooling layers
3. Activation functions
4. Fully connected layers

Module 3 – Building CNNs in Practice

1. Creating models with TensorFlow
2. Creating models with PyTorch
3. Defining layers and architecture
4. Training basic models

Module 4 – Image Classification with CNNs

1. Dataset preparation
2. Training classification models
3. Evaluation metrics
4. Improving accuracy

Module 5 – Model Optimization Techniques

1. Regularization (Dropout, L2)
2. Data augmentation
3. Hyperparameter tuning
4. Avoiding overfitting

Module 6 – Advanced CNN Architectures

1. Introduction to ResNet
2. Introduction to VGG
3. Transfer learning
4. Fine-tuning models

Module 7 – Performance and Deployment

1. Model evaluation
2. Inference optimization
3. Exporting models
4. Practical deployment considerations

Module 8 – Project: CNN Application

1. Building a complete CNN project
2. Training and validation
3. Performance improvement
4. Final project presentation