Gostaria de ter mais informações
sobre as inscrições do IA.Geo?

Domine a inteligência artificial aplicado ao Sensoriamento Remoto e aprenda a implementá-la usando a linguagem de programação Python.

Entre em contato no WhatsApp abaixo para saber mais informações sobre turmas futuras.

TENHO INTERESSE NO IAGEO

Pagamento Seguro

Ambiente seguro. Seus dados estão protegidos e sua compra é 100% segura.

Acesso Imediato

Seu login e senha serão enviados ao seu e-mail logo após o processamento do pagamento.

Conteúdo prático

Toda a ementa foi montada buscando a aplicação de todo o conhecimento do curso.

7 dias garantia

Você poderá pedir a devolução de 100% do seu dinheiro dentro
desse prazo.

Para quem é o curso

Se você quer aprender a utilizar técnicas de inteligêncial artificial e Deep Learning
para potencializar as suas análises de imagens de satélite e drone.

O IA.Geo é ideal para quem trabalha com imagens de Drones e Satélites nas áreas de Agricultura de Precisão, Florestal, Ambiental, Análise Urbana, Energias renováveis, Mineração, Mudanças Climáticas, Carbono Neutro e mais!! Todas essas áreas são beneficiadas de alguma maneira com a união entre Sensoriamento Remoto e Inteligência Artificial.

Curso de extensão universitária reconhecido pelo Ministério da Educação (MEC)

Neste curso você vai compreender como utilizar técnicas de inteligência artificial em suas análises de imagem de satélite e drone utilizando a linguagem de programação Python.

Módulos do curso

Inteligência Artificial X Machine Learning X Deep Learning
Underfitting X Overfitting
Bases do Deep Learning
Perceptron e Multi Layer Perceptron
Funções de Ativação – Parte 1
Funções de Ativação – Parte 2
Algoritmos Otimizadores e Função de Perda.
Introdução e Preparação dos dados
Treinamento e geração dos resultados
Introdução ao keras e ao Tensorflow 
Preparação dos dados e treinamento do Modelo de IA
Dropout e Batch Normalization
Introdução as Redes convolucionais
Camadas Convolucionais, Pooling e FC Layer
Implementação de uma CNN para classificação binária de arvores X solo
Preparação dos dados para classificação de imagens de satélite em pivôs x não-pivôs
AlexNet
GoogleLeNet
Preparação dos dados para classificação de níveis de vegetação de cana de acuçar 
ResNet
Xception
Transfer Learning e Preparação dos Dados para classificação de imagens de alta resolução
Keras Applications e DenseNet
EfficientNet
Data Augmentation
Preparação dos dados 
Treinamento do Modelo e predição dos resultados
Introdução ao Pytorch e preparação dos dados
Treinamento do Modelo e geração dos resultados
Introdução a segmentação semântica
Como é uma arquitetura de segmentação semântica
FCN e preparação dos dados para segmentação de LULC em imagens de alta resolução
SegNet
UNet
Segmentação de áreas inundadas em Imagens SAR com a UNet
Treinamento do Modelo e geração dos resultados
PSPNet
Preparação do dataset a partir de imagens georreferênciadas e polígonos
ResUNet e treinamento do modelo
Predição do Ortomosaico e exportação dos polígonos segmentados
Attention UNet
DeepLabV3+ 
Preparação dos dados para segmentação de Cana e Daninhas em Imagens de Drone
Treinamento do Modelo e geração dos resultados 
HRNet
Segmentação de Deslizamento de terra com imagens ópticas e Modelos digitais de elevação
Preparação dos dados
Treinamento do Modelo e geração dos resultados
Análise do Problema
Treinamento do modelo
Predição do Ortomosaico e geração dos resultados
Preparação dos dados
Treinamento do modelo
Geração dos resultados
Introdução ao TorchGeo e análise dos dados
Preparação dos dados e treinamento do modelo
Predição do Ortomosaico e geração dos resultados
Introdução a Detecção de Objetos
Tipos de arquiteturas de Detecção de Objetos
RCNN
Fast RCNN
Faster RCNN
Detecção de painéis solares em imagens de alta resolução com a Faster RCNN – Parte 1
Detecção de painéis solares em imagens de alta resolução com a Faster RCNN – Parte 2
SSD: Single Shot Detection
YOLO: You Only Look Once
YOLOv2
YOLOv3 e YOLOv4
YOLOv5
Detecção de laranjeiras em imagens de drones com a YOLOv5 – Parte 1
Detecção de laranjeiras em imagens de drones com a YOLOv5 – Parte 2
Detecção de laranjeiras em imagens de drones com a YOLOv5 – Parte 3
Detecção de laranjeiras em imagens de drones com a YOLOv5 – Parte 4
Detecção de laranjeiras em imagens de drones com a YOLOv5 – Parte 5
Introdução a YOLOX
Preparação dos Dados
Treinamento do Modelo e geração dos resultados
YOLOv6
YOLOv7 e preparação dos dados
Treinamento do Modelo e geração dos resultados
YOLOv8
Preparação dos dados
Treinamento do Modelo e geração dos resultados
YOLO-NAS e Auto-NAC
Preparação dos dados
Treinamento do Modelo e geração dos resultados
Introdução a YOLOR
Preparação dos dados e treinamento do modelo
Aplicando o Modelo a um Ortomosaico
Caixas Delimitadoras Orientadas e Dataset DotaV2
Aplicação do Modelo Pré-treinado em uma imagem de Drone
Segmentação de Instâncias
Preparação dos dados e Treinamento do Modelo
Aplicação do Modelo a um Ortomosaico
Evoluções da YOLOv9 pt 1
Evoluções da YOLOv9 pt 2
Preparação dos dados e Treinamento do Modelo
Aplicação do Modelo a um Ortomosaico

Você também levará 2 Bônus

Bônus #1. Minicurso Python Básico - com Gustavo Massay

Esse módulo é para você que nunca teve contato com a ferramenta ou está enferrujado e quer revisar todos os conceitos básicos necessários para iniciar suas análises geoespaciais.

Bônus #2. Minicurso Google Earth Engine - com Christhian Cunha (AmbGEO)

Para você que deseja utilizar uma das ferramentas mais atuais e eficazes de processamento de imagens de satélite.

Como funcionará o curso?

O curso é totalmente gravado e você poderá assistir
as aulas quando e quantas vezes quiser.

Você terá  direito a todas as atualizações que acontecerem durante o seu período de acesso ao curso.

Além disso, ao se inscrever, você terá acesso:

Código em Python

Acesso aos códigos em Python disponíveis em notebooks para você poder utilizar.

Atualizações

Você terá acesso a tudo que for adicionado futuramente no curso durante o seu período de acesso a plataforma.

Suporte

Suporte via comunidade do Discord exclusiva para os participantes do curso

Certificado

Ao concluir o curso você terá direito a solicitar seu certificado de conclusão reconhecido pelo MEC

É isso mesmo que você leu!

Se no período de 7 dias, por qualquer motivo, você não estiver satisfeito com a IA.Geo, basta você nos enviar 1 único e-mail através do nosso suporte e nós devolvemos todo o seu dinheiro imediatamente!

O INSTRUTOR que ministrará esse curso

JOÃO OTAVIO FIRIGATO

Engenheiro da Computação (2013), foi desenvolvedor de software (2013 – 2015), trabalhou como Técnico de Informática (2015 – 2021), é mestre

em Geografia pela UFMS (2018 – 2021) na linha de pesquisa Deep Learning aplicado ao Sensoriamento Remoto.

Atualmente é consultor em Visão computacional e IA para Imagens de Drones e satélite – SpaceAG (Perú). Mentor e Criador de conteúdos sobre Python, Machine Learning, Deep Learning, Visão Computacional, GEE, Sensoriamento remoto.

PERGUNTAS FREQUENTES

SIM! E você terá direito ao certificado da IA.Geo com carga horária de 15 horas reconhecido pelo Ministério da Educação (MEC) como curso de extensão. O certificado é emitido junto a Unopar.

Após compra, você terá acesso a todas as aulas pelo período selecionado, disponível 24 horas por dia. Inclusive todas as atualizações realizadas no curso nesse período.

É muito simples! Basta você clicar no botão azul “QUERO ME INSCREVER”. Assim você será redirecionado para a página de pagamento. Processado o pagamento, você receberá um link no seu e-mail para acesso ao curso na Plataforma.

SIM! Todas as aulas são 100% Onlines. São mais de 80 vídeo-aulas gravadas. Abaixo de cada vídeo tem espaço para dúvidas. Além disso, temos um grupo exclusivo de alunos para suporte diário.

Abaixo de cada vídeo tem espaço para dúvidas. Além disso, temos uma comunidade exclusiva no Discord para suporte diário aos alunos.

SIM!!! É necessário ter conhecimento básico em bibliotecas de análise de dados geospaciais Python, como geopandas, rasterio, pandas, numpy e similares.