13 horas [7 horas presenciais + 6 horas online]

FORMADORES

José Rúben Silva Freitas

Jorge Miguel Gonçalves Monteiro

MODALIDADE

B-learning

DESTINATÁRIOS:

Docentes de todos os grupos de recrutamento

CALENDARIZAÇÃO

As sessões presenciais realizar-se-ão no seguinte horário:

• 4 de abril:

17h00 – 20h00

• 5 de abril:

10h00 – 12h00

14h00 – 16h00.

Sessões online – a acordar entre os formadores e os formandos.

Inscreva-se aqui: https://www.spm-ram.org/spm_onsite/index.php?r=inscricao/create&id=733

JUSTIFICAÇÃO

A formação “Formação em Inteligência Artificial com Aplicações em Visão Computacional” pretende responder à crescente necessidade de capacitar profissionais na área da Inteligência Artificial (IA) e Visão Computacional, competências consideradas críticas para enfrentar os desafios da transformação digital em ambientes educacionais e sociais. Esta necessidade torna-se ainda mais relevante tendo em vista que:• A IA tem um potencial significativo para modernizar práticas pedagógicas.• O domínio de ferramentas de Visão Computacional pode ser aplicado em projetos escolares inovadores.• Existe uma lacuna identificada na formação de professores quanto ao uso prático e pedagógico da IA.• Capacitar os educadores em IA permitirá a introdução de conteúdos inovadores que são essenciais para preparar os alunos para o mercado de trabalho emergente, onde a automatização e a análise de dados desempenham um papel central.

OBJETIVOS

GERAIS:

Compreender os fundamentos teóricos da IA e as suas principais subáreas.

Capacitar os participantes para aplicar ferramentas e frameworks de IA em problemas práticos. Promover a inovação através da integração de IA em contextos educacionais e projetos tecnológicos.

ESPECÍFICOS:

Entender os principais conceitos de IA e seu impacto em diversas áreas.

Configurar ambientes de desenvolvimento em Python utilizando bibliotecas relevantes como TensorFlow, Keras e OpenCV.

Utilização da plataforma Google Colab para o desenvolvimento de modelos IA.

Implementar modelos de classificação de imagens usando Redes Neurais Convolucionais (CNNs). Implementar modelos de deteção de objetos.

CONTEÚDOS

1. Fundamentos de Inteligência Artificial (1h)
2. Introdução ao Python para IA (1h)
3. Introdução ao Machine Learning (ML) (1h)
4. Redes Neurais Artificiais (2h)
5. Redes Convolucionais e Classificação de Imagens (4h)6. Deteção de Objetos com IA (4h)
6. Deteção de Objetos com IA (4h)

Demonstração da distribuição da carga horária pelas diversas tarefas Sessões presenciais

• Fundamentos de Inteligência Artificial (1h)
  • Introdução ao Python para IA (1h)
  • Introdução ao Machine Learning (ML) (1h)Redes Neurais Artificiais (2h)
  • Redes Convolucionais e Classificação de Imagens (2h)

Sessões online

Redes Convolucionais e Classificação de Imagens – Acompanhamento dos projetos individuais (2h) Deteção de objetos com IA (2h)

Acompanhamento e apresentação dos projetos individuais (2h)

METODOLOGIAS

A formação será realizada em formato b-learning.

As horas presenciais serão dinamizadas com o suporte de ferramentas digitais para disponibilização de materiais e atividades complementares.

A metodologia será de natureza teórico-prática, com a exposição, pelo formador, de conteúdos, através de vídeo-projetor e consulta dos slides elaborados por aquele.

Serão realizadas atividades, pelos formandos, com recurso às ferramentas e plataformas exploradas.

Nas horas de trabalho síncrono serão desenvolvidos modelos de IA na plataforma Google Colab e posterior apresentação na mesma plataforma.

AVALIAÇÃO DOS FORMANDOS

A avaliação será individual, qualitativa e quantitativa, expressa numa escala numérica de 1 a 10 valores, nos termos previstos na Carta Circular CCPFC – 3/2007, de setembro de 2007, do Conselho Científico Pedagógico da Formação Contínua e com base nos seguintes critérios:

A avaliação dos formandos será baseada em critérios qualitativos e quantitativos, com enfoque no acompanhamento do progresso durante a formação e na aplicação prática dos conhecimentos adquiridos:

• Exposição teórica e pertinência da participação nas sessões de trabalho – 10%.
• Demonstração de competências técnicas e realização das tarefas relativas às diferentes ferramentas – 30%;
• Rigor e qualidade dos projetos desenvolvidos no Google Colab – 40%;
• Adequação da apresentação dos projetos desenvolvidos – 20%.

BIBLIOGRAFIA

• Tensor Flow Team (2022). TensorFlow Documentation. Disponível em: https://www.tensorflow.org Towards Data Science(Medium). Artigos técnicos sobre IA e Visão Computacional. Disponível em: https://towardsdatascience.com
  • OpenCV Team (2022). OpenCV Documentation. Disponível em: https://docs.opencv.org Papers with Code: State-of-the-ArtMachine Learning Resources. Disponível em: https://paperswithcode.com
  • Brownlee, J. (2022). Machine Learning Mastery: Practical Tutorials for Developers. Disponível em:https://machinelearningmastery.com Chollet, F. (Keras Documentation). Keras API Reference & Tutorials. Disponível em:https://keras.io
  • Raschka, S., & Mirjalili, V. (2019). Python Machine Learning (3rd Edition). Packt Publishing. Artigos e Recursos OnlineGéron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: