Este curso tem como objetivo dotar os participantes de conhecimentos sobre os fundamentos da codificação em JULIA, tendo sempre em vista as técnicas de programação que encontram atualmente aplicação na aprendizagem automática e na inteligência artificial de ponta.

No final deste curso os participantes saberão:

·         Criar código eficiente na linguagem de programação de alto desempenho, Julia

·         Criar modelos de aprendizagem automática em Julia

·         Compreender os métodos vectoriais e matriciais comuns a todos os modelos de redes neurais

·         Interagir com outras plataformas de IA, como PyTorch e TensorFlow

Este Curso destina-se a todos os profissionais que queiram aprofundar os seu conhecimentos em programar em JULIA.

1 -    Introdução e visão geral

·         O que é JULIA?

·         LLVM

·         Instalando e usando JULIA

·         O JULIA REPL

·         O ponto e vírgula funciona como no MATLAB

·         IDEs do JULIA

·         Instalando o kernel do JULIA para notebooks Jupyter

·         Código VS

2 -    fundamentos da linguagem Julia

·         Variáveis e tipos em JULIA

·          Inteiros

·          Sem verificação de transbordamento

·          Flutuantes

·          Cadeias de caracteres

·          Caracteres versus cadeias de caracteres

·          As cadeias de caracteres são assumidas como UTF-8

·          Imprimir

·          Println

·          Impressão formatada

·          Datas

·         Utilização de símbolos Latex/Melhores práticas para tipos de dados:

·          Assegurar que o compilador pode deduzir corretamente o tipo Operadores e funções de JULIA

·         Funções e operadores

·          Operador de PIPE

·          Composição de funções

·          Os argumentos de tuplas são imutáveis

·          Argumentos de matriz são mutáveis

·          Número variável de argumentos

·          Transmissão de uma função

·          Funções anónimas

3 -    JULIA Arrays

·         As matrizes de JULIA estão por ordem crescente de coluna

·         Índices lineares e cartesianos

·         Operador EachIndex

·         Matrizes com índices personalizados

4 -    Input e Output

·         Pacote FileIO

·         Tipos de Arquivos Padrão

·         Implementação de Loaders e Saves

5 -    colocar em prática a teoria do machine learning

6 -    redes neurais em Julia

·         Noções básicas de Neural Networks em JULIA

·         Bibliotecas avançadas de Neural Networks em JULIA

·         Ajuste de desempenho para Neural Networks

·         Quantização de Neural Networks

7 -    DEBUGGING, PROFILING e alto desempenho em julia

8 -    Interoperar com outras plataformas de Inteligência Artificial JULIA com TensorFlow e PyTorch

·         ONNX

·         Criar um sistema de visão computacional

·         Escolher um modelo do "zoo"

·         ResNet