Informações Gerais
Sobre Esse Módulo
Nosso currículo é organizado em três grandes módulos, aos quais utilizamos uma abordagem transversal para lidar com problemas complexos no âmbito dos dados geoespaciais. No primeiro mês focamos na construção de um alicerce robusto referente a manipulação, análise e download dos dados geoespaciais, explorando diversas APIs e plataformas a fim de construir nossa amálgama de ferramentas que visa ser Agnóstica referente as plataformas, sem dependermos de um único provedor de dados ou linguagem de programação.
Ao decorrer do segundo módulo, avançaremos conceitos de Machine Learning para aprendizado supervisionado e não supervisionado, bem como técnicas de redução de dimensionalidade. Logo, mergulharemos no universo temático de aprendizado profundo (Deep Learning) para novamente construir uma base sólida as noções de gradiente, backpropagation, e demais conceitos essenciais para o módulo.
Por fim, em nosso terceiro módulo, ilustraremos como o Deep-Learning vem sendo utilizado para abordar desafios complexos em nossa esfera territorial e social. Aplicaremos na prática tarefas como detecção de objetos (object detection), segmentação (segmentation), uso de Foundation Models e embeddings.
Ademais, iremos explorar conceitos de cloud-computing como zarr e COG que estão sendo fundamentais para lidar com o massivo volume de dados geoespaciais produzidos.
Estrutura de Aulas Semanais
Fundamentos em GIS e Sensoriamento Remoto
| Week | Topic |
|---|---|
| 0 | Ecossistema de Dados Geoespaciais |
| 1 | Fundamentos em Análises Espaciais para dados vetoriais. |
| 2 | Fundamentos em Sensoriamento Remoto e dados raster. |
| 3 | Expandindo conhecimentos para análise dados geoespaciais. |
| 4 | Cubo de Dados (Data Cubes) |
Fundamentos em Machine Learning e Deep Learning
| Week | Topic |
|---|---|
| TBD | TBD |
Estado da Arte (State-of-Art)
| Week | Topic |
|---|---|
| TBD | TBD |
