FIAP MBA em Machine Learning e Inteligência Artificial

Informações sobre o curso acesse aqui.

Este repositório reúne todos os notebooks, imagens, modelos e demais materiais necessário para a condução das aulas e revisão das mesmas.

Utilize as discussões ou mesmo crie issues se precisar de alguma informação.

Como é um repositório público, aceito eventuais Pull Requests!

Visão Computacional

Nas aulas podemos utilizar o Google Colab, os Notebooks do Kaggle ou a própria distribuição local Anaconda, com uso do Jupyter Notebook, que há vem instalado nesta distribuição. Você também pode usar até mesmo o VSCode, escolha o ambiente que mais adeque ao seu estilo!

Para instalar o Anaconda, acesse a sessão de Downloads do Anaconda.

Tanto o Google Colab ou Kaggle podem ser acessados diretamente dos respectivos sites.

Para quem for usar Colab ou Kaggle, use o badge de cada um. Eles possuem um link que já abre direto em cada plataforma, levando em consideração as particularidades de cada ambiente.

Uso de câmeras

Em algumas aulas poderá ser utilizado o streaming de vídeo de câmeras, que somente funciona em instalações locais. Tanto Google Colab quanto Kaggle ainda não suportam câmeras no modo ao vivo (exceto Colab que suporte imagens estáticas) por serem ambientes virtualizados.

Veja esta rápida introdução do uso de câmeras com o OpenCV em MacOS e Windows. Guarde esse pequeno guia para futuros usos, pois no MacOS as coisas funcionam um pouco diferente do Windows e costumam travar 😕 .

Pacotes utilizados

• OpenCV 3.4.3 (conda install -c conda-forge opencv==3.4.3)
• Keras 2.3.1 (conda install keras==2.3.1)
• Matplotlib 3.1.3 (conda install matplotlib==3.1.3)
• Seaborn 0.0.10 (conda install -c conda-forge seaborn==0.10.0)
• Imutils 0.5.3 (conda install -c conda-forge imutils==0.5.3)
• Scikit Learn 0.22.1 (conda install scikit-learn==0.22.1)
• Scipy 1.4.1 (conda install scipy==1.4.1)

No Google Colab todas as dependências já estão instaladas. Já no Kaggle está indicando como instalar as dependências, sem dificuldades. 😄

Aulas no programa atualizado da disciplina:

Introdução a visão computacional (Aula 1)

Introdução sobre visão computacional e processamento de imagens

1. Introdução do OpenCV
2. Instalação
3. Formação de imagens
4. Representação de cores
5. Histograma
6. Construção de imagens

Desafio

1. Identificação de cores

   Solução

Manipulação de imagens (Aula 2)

Manipulação e transformação de imagens

1. Transformações
2. Translações
3. Rotações
4. Resizing
5. Cropping
6. Masking
7. Suavização

Desafios

1. Transformação de imagens

   Solução

2. Máscaras em imagens

   Solução

3. Pipeline machine learning

   Solução

Segmentação de imagens (Aula 3)

Técnicas para segmentar e extrair artefatos e regiões de interesse de imagens

1. Suavização
2. Binarização
3. Dilatação e Erosão
4. Deteção de Borda
5. Contornos
6. Identificação de Formas

Desafios

1. Contornos em imagens

   Solução

2. Limpeza de imagens

   Solução

Classificação de objetos e análise facial (Aula 4)

Classificadores de objetos e análise facial

1. Classificadores em cascata de Haar
2. Classificador de marcos faciais DLib
3. Análise Facial
4. Alinhamento de faces

Desafios

1. Detecção de sorriso

   Solução

2. Classificação de emoções com marcos faciais

   Solução

Deep learning e transfer learning aplicado a imagens (Aula 5)

Reconhecimento de imagens e objetos

1. Reconhecimento de imagens utilizando redes neurais profundas
   • Redes neurais convolucionais (CNN)
   • Vision transformers (ViT)
2. Técnicas de transferência de aprendizado (transfer learning)
3. Reconhecimento de objetos com YOLO (You Only See Once).

Desafio

1. Detecção de Lixo em Ruas

   Solução

Capstones

Projetos de conclusão da disciplina aplicados.

1. Análise de Imagens Médicas
2. Auditoria de Vídeo
3. Detector de Liveness