Deep Learning e problemas de classificação em observação da Terra =================================================================== .. |br| raw:: html
Proferido pelo Dr. Thales Sehn Körting (INPE), esse seminário abordou os problemas de classificação em observação da Terra e técnicas de deep learning nesse contexto. O material da apresentação está disponível no github (https://bit.ly/3l7mFZU) .. raw:: html
.. raw:: html
Melhores momentos ------------------ *Vídeo dos melhores momentos, selecionados pelos alunos* .. raw:: html
Comentários dos alunos ----------------------- .. **Fulano**: Suspendisse orci mauris, viverra et faucibus nec, elementum sed mi. Vivamus viverra ipsum a tellus lacinia, vitae blandit nisi eleifend. Morbi facilisis condimentum tincidunt. Suspendisse dapibus nisl vitae dapibus aliquet. Vivamus vulputate hendrerit scelerisque. Nunc commodo nibh ut condimentum consequat. .. **Ciclano**: Suspendisse orci mauris, viverra et faucibus nec, elementum sed mi. Vivamus viverra ipsum a tellus lacinia, vitae blandit nisi eleifend. Morbi facilisis condimentum tincidunt. Suspendisse dapibus nisl vitae dapibus aliquet. Vivamus vulputate hendrerit scelerisque. Nunc commodo nibh ut condimentum consequat. **Yuri**: Foi uma palestra super interessante e envolvente, uma vez que mesmo tendo conhecimentos técnicos específicos sobre a área de pesquisa, foi possível acompanhar facilmente ja que foi feita uma boa introdução e explicação sobre como os conceitos e tecnologias que foram utilizados para o desenvolvimento da aplicação. Primeiramente, foi contextualizado todos os conceitos necessários para poder fazer a classificação dos objetos em uma imagem através de deep learning. Após isso, explicou o procedimento escolhido para fazer esta classificação, que foi através de uma rede neural convolucional que faz análises das imagens e a classificação dos objetos. Por fim, demonstrou, através de imagens, o funcionamento da rede neural para fazer a classificação dos objetos na imagem. **Felipe Carlos**: O seminário foi bastante interessante, o apresentador, através de exemplos simples, mostrou o poder das técnicas de aprendizado de máquina, em especial as Redes Neurais Profundas, tudo considerando o contexto de problemas envolvendo dados de Sensoriamento Remoto. A maneira visual da apresentação dos conceitos tornou o processo de entendimento mais simples, deixando claro as formas de aplicação das técnicas apresentadas. **Natália**: Neste seminário, o Dr. Thales mostrou de forma simplificada o que acontece por trás dos códigos de deep learning voltados para o sensoriamento remoto, apresentando os algoritmos adotados e como eles funcionam. Foi possível perceber o poder das técnicas de machine learning e entender como funcionam as redes neurais na classificação de objetos numa imagem. **Fernando**: O seminário apresentado pelo Dr. Thales foi extremamente produtivo, onde o palestrante conseguiu passar os conceitos e técnicas aplicadas envolvendo deep learning associado à classificação de objetos em imagens de modo que mesmo sendo um ouvinte leigo na área fui capaz de compreender o processo envolvido e sua importância. **Felipe Perin**: Gostei bastante desse seminário, pois ele vai de encontro com a minha proposta de pesquisa, que aborda o aprendizado de máquina para reconhecer padrões em imagens de satélite. O Dr. Thales demonstrou as diferentes técnicas que são utilizadas e como elas se comportam por baixo dos panos. As dificuldades e desafios também foram abordados, dessa forma foi possível pensar em novas estratégias e metodologias para a pesquisa. **Giovanni**: O Doutor Thales nos falou sobre o reconhecimento de padrões em imagens do Sensoriamento Remoto (SERE) em seu seminário. Explicou sobre os passos para os reconhecimentos de padrões que são necessários para o trabalho e depois expandiu para os tipos de reconhecimento que temos. A partir de alguns exemplos mostrou como são feitos esses reconhecimentos e como são, realmente, os dados utilizados no processo. Finalizou explicando sobre as Redes Neurais Convolucionais (CNN), uma classe de Deep Learning, falando sobre a inspiração de como esse modelo de rede neural surgiu e depois deu exemplos do funcionamento das tais redes.