As aulas dessa trilha estão sendo gravadas pra te trazer o que há de mais atual no mercado. Seu certificado estará disponível assim que a trilha completa estiver totalmente liberada na plataforma.
Fundamentos de Visão Computacional
Módulo10 aulas3h 14minNovo
Nesse módulo você aprenderá os fundamentos da Computação Visual, desde conceitos básicos de pixels e cores até manipulação de imagens, aplicação de filtros e aplicará os conhecimentos em um projeto prático simulando filtros no estilo Instagram.
Fundamentos de Visão Computacional
Quiz avaliativoobrigatório20 QuestõesNovo
Vamos avaliar o nosso conhecimento?
Desafio Prático: Otimizador Automático de Imagens
Desafio práticoopcionalNovo
Implemente, utilizando apenas **Python, NumPy e OpenCV**, um sistema de aprimoramento automático de imagens. O sistema deve carregar imagens com problemas de exposição (muito escuras ou "estouradas"), realizar uma análise do histograma e aplicar correções matemáticas nos pixels para balancear o brilho e o contraste, tentando recuperar a qualidade visual da foto sem intervenção manual.
Redes Neurais para Visão Computacional
Módulo19 aulas5h 58minNovo
Este módulo explora Redes Neurais para Visão Computacional. Começando com os fundamentos das redes neurais e CNNs, você aprenderá a treinar e avaliar modelos. Aplique seus conhecimentos em classificação de dígitos (MNIST) e imagens coloridas (CIFAR-10), utilizando Data Augmentation e Transfer Learning com modelos como MobileNet e ResNet. Finalize com um projeto desafiador no CIFAR-100.
Redes Neurais para Visão Computacional
Quiz avaliativoobrigatório15 QuestõesNovo
Vamos avaliar o nosso conhecimento?
Desafio Prático: Explorador de Cenários Naturais com Intel Image Dataset
Desafio práticoopcionalNovo
O objetivo deste desafio é desenvolver um sistema de Visão Computacional capaz de identificar categorias de cenários naturais (como montanhas, geleiras, florestas e prédios). Diferente do CIFAR-10, aqui trabalharemos com o Intel Image Classification, um dataset com imagens de maior resolução (150x150). Você deverá aplicar técnicas avançadas de regularização e aumento de dados para garantir que o modelo aprenda padrões geográficos e não apenas decore as imagens de treino.
