- Cursos
- Estudante IPVC
- Guia de Acolhimento
- Provedor do Estudante
- Representação da Comunidade Estudantil nos Órgãos da Instituição
- Calendário Escolar
- Propinas e Emolumentos
- Renovação de Inscrição
- Horários e Assiduidade
- Mapa de Exames
- Estatutos Especiais
- Certidões, Inscrições e Requerimentos
- Frequência de Unidades Curriculares Isoladas
- Creditação / Certificação de competências
- Suplemento ao Diploma
- Carta de Curso
- Mobilidade
- Apoio aos alunos
- Legislação e Regulamentos
- Estudante Internacional
- Candidato IPVC
- Acesso e Ingresso
- Ano Zero
- Gabinete de Acesso
- Candidaturas ao Ensino Superior
- Regimes Especiais de Acesso
- Concursos Especiais
- Maiores de 23 anos
- Diplomados de Vias Profissionalizantes
- Reingresso, Mudança de Instituição/Curso
- CTeSP
- Mestrados
- Pós-Graduações
- Frequência de Unidades Curriculares Isoladas
- Matrícula e Inscrição
- Estatutos Especiais
- Propinas e Emolumentos
- Legislação e Regulamentos
- Reconhecimento de Graus e Diplomas
- ALUMNI
(Português) Redes Neuronais e Tensorflow (Deep Learning) com Python

- Presentation
- Access
- Study cycle
- Information about the study cycle
- Formadores
Início / Study / Stand-Alone Course Units / Redes Neuronais e Tensorflow (Deep Learning) com Python
Presentation
(Português)
A formação microcredenciada de Redes Neuronais e Tensorflow (Deep Learning) com Python insere-se na área de educação e formação (CNAEF) 481 – Ciências Informáticas. Apresentará um regime online, com índole teórica e teórico-prática. Recorrendo a um método de aprendizagem centrado no/a formando/a, suportadas em casos práticos e reforçando a criatividade e espírito crítico do mesmo, através da realização de exercícios práticos.
Degree
Duration
Regime
CNAEF Area
School
Reasons to attend the course
(Português)
As competências adquiridas permitem aos formandos o desenvolvimento de algoritmos de diferentes arquiteturas de redes neuronais, a sua otimização, bem como a saber que redes devem desenvolver atendendo a determinadas situações. Paralelamente, aborda questões éticas essenciais nestas temáticas.
Metodologias de ensino e aprendizagem
A metodologia de ensino combina elementos de aprendizagem expositivo, demonstrativo e ativo utilizando materiais de apoio como apresentações em PowerPoint (PPT), casos práticos e exercícios. Os formandos têm assim a oportunidade de adquirir conhecimento através da informação fornecida pelo/a formador/a durante as sessões de formação, para além do conhecimento adquirido na análise de estudos de caso e exercícios práticos. Desta forma, os/as formandos/as são capazes de praticar e consolidar o que aprenderam, com o auxílio do/a formador/a.
Os recursos tecnológicos e informáticos permitem o acesso aos materiais do curso, exercícios e recursos adicionais. Estes recursos permitirão também uma comunicação facilitada entre formador/a e formandos/as, permitindo interações assíncronas e síncronas, como fóruns de discussão, chats e videoconferências.
A formação confere 6 créditos (ECTS).
Bolsa Incentivo PRR
Bolsa correspondente a 50% do valor da propina a ser atribuída a quem concluir a formação com sucesso e em tempo útil.
Mais informações em PRR BDA: Blue Design Alliance

Coordinator

Coordinator

Links
Documents
Access
Access conditions
(Português)
Podem candidatar-se a esta Formação Microcredenciada:
a) Titulares do grau de licenciado ou equivalente legal;
b) Titulares de um grau académico superior, estrangeiro, conferido na sequência de um 1.º ciclo de estudos organizado de acordo com os princípios do Processo de Bolonha por um estado aderente a este processo;
c) Titulares de um grau académico superior, estrangeiro, que seja reconhecido como satisfazendo os objetivos do grau de licenciado pelo conselho técnico-científico do IPVC;
d) Detentores de um currículo escolar, científico ou profissional que seja reconhecido como atestando capacidade para a realização do ciclo de estudos pelo conselho técnico-científico da ESTG do IPVC. e) Ter conta de Gmail.
1.2. O reconhecimento a que se referem as alíneas c) e d) do número anterior tem como efeito apenas o acesso à pós-graduação e não confere aos seus titulares a equivalência ao grau de licenciado ou o reconhecimento desse grau. Os estudantes finalistas de licenciatura podem ser admitidos condicionalmente, devendo entregar o documento comprovativo da conclusão do curso de licenciatura até ao último dia da formação microcredenciada.
Conteúdos programáticos
- Fundamentos da Redes Neuronais Artificiais;
- Arquiteturas de Redes Neuronais Artificiais;
- Redes Neuronais Multicamadas;
- Redes Neuronais Convolucionais;
- Redes Neuronais Recorrentes;
- Redes Neuronais Pré treinadas e transfer learning;
- Conceitos avançados em Deep Learning (Transformers);
- Optimização de Redes Neuronais;
- Deep Learning Aplicada e Casos de Estudo;
- Considerações Éticas e Finais e
- Notas e próximos passos em Deep Learning.
Coordinator

Links
Documents
Goals
(Português)
Objetivo Geral: Dotar formandos com capacidade de tratar e extrair informação dos dados, deteção de padrões, implementar modelos e algoritmos de Inteligência Artificial nas organizações para tomadas de decisões. Reconhecer diferentes arquiteturas de Redes Neuronais e as suas devidas aplicações.
Objetivos Específicos: No final da formação, os formandos serão capazes de:
- Preparar dados para deteção de padrões, anomalias, classificação e previsão.
- Desenvolver algoritmos de diferentes arquiteturas de redes neuronais.
- Otimização de Redes Neuronais.
- Saber distinguir que tipo de redes neuronais devem ser desenvolvidas para determinados problemas.
- Criar use cases para organização/instituições.
- Criar Demos em Gradio e Streamlit.
Graduate profile
(Português)
- Licenciados em ciências exatas e informação;
- Consultores em Tecnologia;
- Conhecimentos de estatística, álgebra linear e noções em programação Python. Ter conta de Gmail e
- Formação adequada para pessoas com qualificação de nível de licenciatura (nível 6 EQF). Apenas possível para >18 anos.
Professional outcomes
(Português)
No final da formação, os formandos serão capazes de:
- Preparar dados para deteção de padrões, anomalias, classificação e previsão;
- Desenvolver algoritmos de diferentes arquiteturas de redes neuronais;
- Otimização de Redes Neuronais;
- Saber distinguir que tipo de redes neuronais devem ser desenvolvidas para determinados problemas;
- Criar use cases para organização/instituições e
- Criar Demos em Gradio e Streamlit.
Study Plan
Coordinator

Links
Documents
Partnerships and internships
(Português) 
Coordinator

Links
Documents
(Português) 
Ricardo Neves
Licenciado em Economia pela Faculdade de Economia da Universidade de Coimbra, Pós-graduado em Applied Artificial Intelligence & Machine Learning pelo ISEG-Universidade de Lisboa e é Mestrando em Estatística Computacional na Universidade Aberta. Certificado pela Google como Tensorflow Developer e frequentou formações profissionais em programação e desenvolvimento de base de dados. Foi Bolseiro de Gestão de Ciência e Tecnologia na Universidade de Coimbra e Bolseiro de Investigação no Departamento de Estatística e Investigação Operacional da Faculdade de Ciências da Universidade de Lisboa. Atualmente exerce o cargo de Engenheiro de Dados no BNP Paribas.
Coordinator
