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
- Introdução do OpenCV
- Instalação
- Formação de imagens
- Representação de cores
- Histograma
- Construção de imagens
Desafio
-
Identificação de cores
Solução
Manipulação de imagens (Aula 2)
Manipulação e transformação de imagens
- Transformações
- Translações
- Rotações
- Resizing
- Cropping
- Masking
- Suavização
Desafios
-
Transformação de imagens
Solução
-
Máscaras em imagens
Solução
-
Pipeline machine learning
Solução
Segmentação de imagens (Aula 3)
Técnicas para segmentar e extrair artefatos e regiões de interesse de imagens
- Suavização
- Binarização
- Dilatação e Erosão
- Deteção de Borda
- Contornos
- Identificação de Formas
Desafios
-
Contornos em imagens
Solução
-
Limpeza de imagens
Solução
Classificação de objetos e análise facial (Aula 4)
Classificadores de objetos e análise facial
- Classificadores em cascata de Haar
- Classificador de marcos faciais DLib
- Análise Facial
- Alinhamento de faces
Desafios
-
Detecção de sorriso
Solução
-
Classificação de emoções com marcos faciais
Solução
Machine learning, deep learning e transfer learning aplicado a imagens (Aula 5)
Deep learning e transfer learning aplicado a visão computacional
- Reconhecimento de faces
- Reconhecimento de imagens utilizando redes neurais profundas
- Técnicas de transferência de aprendizado (transfer learning)
- Reconhecimento de objetos em tempo real com YOLO You Only See Once.
Desafio
-
Reconhecimento de faces
Solução
Transfer learning com Yolo e descritores de imagens (Aula Extra)
- Treinamento de modelo customizado baseado em Yolo
- Transformadas de Rough
- Descritores de imagem ORB
Desafios
-
Detecção de Rodas
Solução
-
Reconhecimento de embalagem
Solução
Capstones
Projetos de conclusão da disciplina aplicados.