Reconhecimento de Emoções com TensorFlow 2.0 e Python
4.8 (58 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,247 students enrolled

Reconhecimento de Emoções com TensorFlow 2.0 e Python

Utilize Visão Computacional, Deep Learning e Redes Neurais Convolucionais para reconhecer emoção em imagens e vídeos
Highest Rated
4.8 (58 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
1,247 students enrolled
Last updated 2/2020
Portuguese
Portuguese [Auto]
Current price: $13.99 Original price: $19.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 6 hours on-demand video
  • 8 articles
  • 4 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Implemente um detector de emoções utilizando modernas técnicas de Deep Learning com Redes Neurais Convolucionais, utilizando o TensorFlow 2.0
  • Aprenda a detectar emoções de imagens e vídeos
Course content
Expand all 50 lectures 05:49:21
+ Introdução
3 lectures 05:43
Mais sobre Inteligência Artificial
00:09
Recursos para download
00:04
+ Reconhecimento de emoções em imagens
12 lectures 01:05:39
Arquivos Google Drive
01:37
Reconhecimento de emoção 1
04:50
Reconhecimento de emoção 2
05:10
Reconhecimento de emoção 3
04:41
Reconhecimento de emoção 4
05:55
Reconhecimento de emoção 5
10:38
Reconhecimento de emoção 6
04:34
Solução para a tarefa
00:10
Reconhecimento de emoção 8
08:25
BÔNUS 1: Captura de foto pela webcam
00:10
+ Reconhecimento de emoção com redes neurais convolucionais
26 lectures 03:05:11
Introdução a redes neurais convolucionais
06:56
Reconhecimento com redes neurais convolucionais 1
07:19
Reconhecimento com redes neurais convolucionais 2
08:14
Reconhecimento com redes neurais convolucionais 3
06:40
Reconhecimento com redes neurais convolucionais 4
07:52
Reconhecimento com redes neurais convolucionais 5
05:42
Reconhecimento com redes neurais convolucionais 6
06:29
Reconhecimento com redes neurais convolucionais 7
13:49
Reconhecimento com redes neurais convolucionais 8
04:55
Reconhecimento com redes neurais convolucionais 9
07:30
Reconhecimento com redes neurais convolucionais 10
13:31
Reconhecimento com redes neurais convolucionais 11
11:55
Reconhecimento com redes neurais convolucionais 12
10:56
Reconhecimento com redes neurais convolucionais 13
02:57
Reconhecimento com redes neurais convolucionais 14
06:11
Reconhecimento com redes neurais convolucionais 15
08:00
Reconhecimento com redes neurais convolucionais 16
04:43
Reconhecimento com redes neurais convolucionais 17
07:44
Reconhecimento com redes neurais convolucionais 18
10:45
Outras arquiteturas de redes neurais convolucionais
09:51
BÔNUS 2: Comparação e carregamento do melhor modelo
05:18
BÔNUS 3: Reconhecimento de emoções em vídeos
17:34
BÔNUS 4: Carregamento de imagens a partir de diretório
00:05
BÔNUS 5: Data Augmentation
00:05
BÔNUS 6: Transfer Learning com VGG16
00:08
BÔNUS 7: Implementação arquitetura Inception
00:02
+ Anexo I - Redes Neurais Artificiais
9 lectures 01:32:46
Perceptron de uma camada
12:39
Redes multicamada - função soma e função de ativação
12:39
Redes multicamada - cálculo do erro
04:51
Descida do gradiente
07:56
Cálculo do parâmetro delta
06:05
Ajuste dos pesos com backpropagation
12:49
Bias, erro, descida do gradiente estocástica e mais parâmetros
11:21
Funções de ativação I
11:31
Funções de ativação II
12:55
Requirements
  • É recomendado conhecimento básico sobre lógica de programação, principalmente estruturas condicionais e de repetição (if e for)
  • Conhecimentos básicos sobre Python
  • Conhecimentos sobre redes neurais artificiais são desejáveis (no final do curso está disponível um anexo com a teoria básica sobre redes neurais)
Description

Dentro da área da Visão Computacional existe a sub-área de reconhecimento/deteção de emoções, que visa identificar emoções específicas que pessoas podem expressar em imagens ou vídeos. Alguns exemplos de aplicações são: alertar condutores de veículos que podem estar distraídos, personagens de jogos podem interagir com o usuário de acordo com a emoção expressada, monitoramento de pacientes em hospitais, avaliação do interesse dos alunos em aplicações de educação a distância, sistemas de vigilância e principalmente na área de marketing; sendo possível entender o que os consumidores estão sentindo sobre determinados produtos ou serviços.

E para levar você até essa área, neste curso você desenvolverá passo a passo Redes Neurais Convolucionais utilizando o TensorFlow 2.0 e o Python para detectar emoções em vídeos e imagens! O sistema será capaz de detectar as seguintes emoções: raiva, alegria, tristeza, nojo, surpresa, medo e também se uma face não está expressando nenhuma dessas emoções. Utilizaremos modernas técnicas de Deep Learning (Aprendizagem Profunda) para o desenvolvimento dos exemplos do curso, usando a base de dados FER3 que é uma das bases de dados mais utilizadas para treinamento de sistemas de reconhecimento de emoção, que inclusive faz parte dos desafios do Kaggle!

O objetivo principal deste curso é que você tenha uma visão prática de como utilizar o TensorFlow 2.0 para reconhecimento de emoções, portanto, nós mostraremos somente uma intuição básica sobre a teoria do algoritmo. Este curso é para todos os níveis, ou seja, se este for o seu primeiro contato com a área de Visão Computacional você conseguirá acompanhar o curso. Da mesma forma, se você já tem experiência na área também aproveitará o conhecimento adquirido com o desenvolvimento do projeto prático.

Preparado(a) para dar um importante passo na sua carreira? Aguardamos você no curso! :)

Who this course is for:
  • Pessoas interessadas em Inteligência Artificial
  • Pessoas interessadas na área de visão computacional utilizando o Python, Deep Learning e TensorFlow
  • Pessoas interessadas em reconhecimento de emoções de imagens e vídeos
  • Alunos de graduação que cursam disciplinas de Computação Gráfica, Processamento Digital de Imagens ou Inteligência Artificial