fbpx
Sigmoidal
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
  • English
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
Sem Resultado
Ver Todos Resultados
Sigmoidal
Sem Resultado
Ver Todos Resultados

Além da Siri: Como a IA do Iphone pode ser substituída nos próximos anos

Rafael Duarte por Rafael Duarte
abril 9, 2024
em Notícias
0
90
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

A inteligência artificial generativa (IA generativa) é uma subárea da inteligência artificial (IA) que se concentra na criação de modelos capazes de gerar dados sintéticos que se assemelham a dados reais. O propósito principal da IA generativa é gerar conteúdo artificial, como imagens, texto e áudio, que é, muitas vezes, indistinguível do produzido por seres humanos.

 

Isso é alcançado através de algoritmos e redes neurais projetadas, como GANs (Redes Adversárias Generativas) e VAEs (Codificadores Variacionais Auto-Regulares), para aprender e replicar padrões presentes nos dados de treinamento.

 

Imagem Gerada por IA

 

Em contraste, os assistentes virtuais são sistemas de IA projetados para interagir com usuários humanos em linguagem natural e executar tarefas específicas com base em comandos ou perguntas recebidas. Enquanto os assistentes virtuais lidam principalmente com a interação humano-máquina, a IA generativa tem como objetivo primário a geração autônoma de conteúdo.

 

Os assistentes virtuais, como a Siri da Apple, o Google Assistant e a Alexa da Amazon, são projetados para fornecer informações, realizar tarefas e responder a consultas dos usuários. Eles dependem de uma variedade de tecnologias de processamento de linguagem natural, como reconhecimento de voz, compreensão de linguagem natural e geração de respostas.

 

Por outro lado, os modelos de IA generativa, como GANs e VAEs, são treinados em grandes conjuntos de dados para aprender a capturar e reproduzir padrões presentes nos dados de entrada. Esses modelos podem então gerar novos exemplos de dados que são estatisticamente semelhantes aos exemplos originais, mas não idênticos.

 

Enquanto os assistentes virtuais buscam facilitar a interação entre humanos e computadores, a IA generativa tem aplicações em áreas como geração de arte, criação de conteúdo sintético e aumento de dados para treinamento de modelos de aprendizado de máquina. Ao contrastar essas duas abordagens, é possível compreender melhor como cada uma contribui para a interação e criação no contexto da inteligência artificial.

 

IA’s Generativas

 

As GANs são compostas por duas redes neurais: o gerador e o discriminador. O gerador tem como objetivo criar exemplos de dados que se assemelhem aos dados reais, enquanto o discriminador busca distinguir entre exemplos reais e falsos. Durante o treinamento, o gerador é atualizado para gerar exemplos cada vez mais convincentes, enquanto o discriminador é treinado para se tornar mais eficiente na identificação de dados falsificados. Esse processo de competição entre o gerador e o discriminador resulta em uma melhoria contínua na qualidade dos dados gerados.

 

Por outro lado, os VAEs são uma classe de modelos generativos probabilísticos que consistem em um codificador e um decodificador. O codificador mapeia os dados de entrada para um espaço latente, enquanto o decodificador mapeia os pontos no espaço latente de volta para o espaço de entrada. Durante o treinamento, os VAEs procuram aprender uma distribuição probabilística nos dados de entrada, permitindo que novos exemplos sejam amostrados a partir dessa distribuição. Além disso, os VAEs são regularizados para evitar a geração de exemplos fora da distribuição dos dados de treinamento, garantindo que os exemplos gerados sejam plausíveis e realistas.

 

Tanto as GANs quanto os VAEs têm sido amplamente utilizados em uma variedade de aplicações, incluindo geração de imagens, síntese de texto e produção de música. Suas arquiteturas complexas e abordagens inovadoras tornam esses modelos fundamentais no campo da inteligência artificial generativa, permitindo a criação de conteúdo artificial com uma qualidade cada vez maior.

 

Aplicações Práticas de IA’s Generativas

 

Experiência do Cliente

 

As empresas têm a oportunidade de otimizar a produção de conteúdo utilizando ferramentas de IA generativa para elaborar textos destinados a blogs, páginas da web, e-mails e outros canais de comunicação. Além disso, essas soluções têm a capacidade de criar textos e imagens altamente personalizados em tempo real, levando em consideração variáveis como momento, local e público-alvo. A utilização dessas tecnologias também impulsionará o desenvolvimento de chatbots e agentes virtuais avançados, capazes de oferecer respostas personalizadas e realizar ações em nome do cliente, representando um avanço significativo em relação às gerações anteriores de modelos de IA conversacional.

 

Desenvolvimento de Software e Modernização de Aplicativos

 

 

Ferramentas de geração de código podem automatizar e agilizar a escrita de novos códigos, acelerando assim o processo de desenvolvimento de software. Apesar de não serem perfeitos, tornam o processo mais dinâmico e ajudam na ganha de tempo. Além disso, a geração automática de código pode ser fundamental para a modernização de aplicativos, especialmente na migração de sistemas legados para ambientes de nuvem híbrida, ao eliminar tarefas repetitivas de codificação.

 

Trabalho Digital

 

A IA generativa pode ser empregada para a elaboração rápida e precisa de contratos, faturas, e outros documentos, permitindo que os funcionários se concentrem em atividades de maior valor agregado. Esse tipo de automação pode ser aplicado em diversas áreas empresariais, incluindo recursos humanos, jurídico, compras e finanças, agilizando os processos de trabalho.

 

Ciência, Engenharia e Pesquisa

 

Modelos de IA generativa têm o potencial de auxiliar cientistas e engenheiros na proposição de soluções inovadoras para problemas complexos. Por exemplo, na área da saúde, esses modelos podem ser utilizados para sintetizar imagens médicas, contribuindo para o treinamento e teste de sistemas de imagem médica.

 

Tipos de Assistentes Virtuais

Siri

Os assistentes virtuais são sistemas de inteligência artificial projetados para interagir com os usuários e executar uma variedade de tarefas com base em comandos de voz, texto ou outros tipos de entrada. Existem diferentes tipos de assistentes virtuais, cada um com suas próprias características e métodos de interação. Os principais tipos incluem assistentes baseados em regras, em aprendizado de máquina e em inteligência artificial.

 

Assistentes Baseados em Regras

 

Os assistentes baseados em regras são os mais simples em termos de funcionalidade. Eles operam com base em um conjunto fixo de regras programadas pelo desenvolvedor e respondem a entradas específicas de maneira pré definida. Por exemplo, assistentes de atendimento ao cliente em sites podem seguir regras para responder a perguntas frequentes, como “Qual é o horário de funcionamento do Shopping?” ou “Como posso entrar em contato com o suporte técnico?”.

 

Assistentes de Machine Learning

 

Os assistentes de machine learning são mais avançados e são capazes de aprender com os dados de entrada. Eles utilizam algoritmos de machine learning para analisar padrões nos dados e melhorar suas respostas ao longo do tempo com base na experiência passada. Por exemplo, assistentes de voz, como o Google Assistant, podem aprender a reconhecer a voz do usuário e adaptar suas respostas com base em comandos anteriores, como “Ligar para casa” ou “Enviar mensagem para minha esposa”.

 

Assistentes de Inteligência Artificial

 

Os assistentes de inteligência artificial representam o nível mais avançado de assistentes virtuais. Eles combinam técnicas de processamento de linguagem natural, machine learning e inteligência artificial para compreender e responder a uma ampla gama de consultas e comandos dos usuários. Por exemplo, a Siri da Apple e a Alexa da Amazon são assistentes de inteligência artificial que podem realizar tarefas complexas, como agendar compromissos, fazer reservas em restaurantes e até mesmo controlar dispositivos domésticos inteligentes, como luzes e termostatos.

 

As diferenças entre esses tipos de assistentes virtuais residem principalmente em suas capacidades e métodos de interação com os usuários. Enquanto os assistentes baseados em regras são mais limitados e geralmente oferecem respostas pré-definidas, os assistentes de aprendizado de máquina e de inteligência artificial são mais flexíveis e adaptáveis, sendo capazes de aprender e melhorar com o tempo.

 

O futuro incerto das Assistentes Virtuais

assistentes virtuais

O futuro das assistentes virtuais está intrinsecamente ligado aos avanços contínuos em tecnologias de inteligência artificial (IA) e ao desenvolvimento de IA’s generativas. À medida que a inteligência artificial avança, espera-se que as assistentes virtuais se tornem mais inteligentes e intuitivas, com melhorias significativas no processamento de linguagem natural e na capacidade de se adaptar às preferências e contexto do usuário. As IA’s generativas desempenham um papel crucial nesse cenário, oferecendo oportunidades para ampliar as capacidades dos assistentes virtuais e proporcionar experiências de usuário mais envolventes e personalizadas.

 

Com o avanço das IA’s generativas, surge a possibilidade de que essas tecnologias ultrapassem as assistentes virtuais tradicionais em termos de capacidade e sofisticação. Assistentes virtuais baseados em IA generativa podem oferecer respostas mais humanas e contextuais, gerar conteúdo personalizado sob demanda e até mesmo assumir tarefas mais complexas que antes eram exclusivas das assistentes virtuais.

 

Apesar das possibilidades empolgantes, é essencial abordar essas questões com cuidado e considerar o impacto ético e social de uma possível substituição das assistentes virtuais pelas IA’s generativas.

 

Siri Substituída?

Além disso, surge uma incerteza sobre o futuro da Siri, a assistente virtual da Apple, com a possibilidade de ser substituída pelo Gemini, a IA do Google. Segundo fontes da Bloomberg News, a Apple está em negociações para incorporar o Gemini ao iPhone, licenciando-o para alimentar novas funcionalidades que chegarão à próxima versão do dispositivo ainda neste ano. Embora os detalhes sobre os termos do acordo ou como ele seria implementado ainda não estejam claros, essa possível parceria destaca o dinamismo e a competição no cenário das assistentes virtuais e das IA’s generativas.

 

Ao considerar a possibilidade de substituir a Siri pela Gemini, a IA do Google, é crucial analisar os potenciais benefícios dessa transição. Enquanto a Siri às vezes fornece respostas genéricas, a Gemini é capaz de entender melhor o contexto da consulta do usuário, proporcionando informações mais relevantes e humanizadas, entendendo melhor o contexto que os dados são coletados e distribuídos.

 

Além disso, as IA’s generativas demonstram uma habilidade cada vez maior de compreender e responder à linguagem humana de forma mais natural e intuitiva. Isso resulta em interações mais suaves e eficazes entre o usuário e o assistente virtual, criando uma experiência mais agradável e satisfatória. 

 

Sua capacidade de aprender continuamente com as interações dos usuários, significa que, ao longo do tempo, a Gemini pode se tornar ainda mais precisa e eficiente em suas interações, melhorando constantemente sua capacidade de atender às necessidades individuais dos usuários. Ou seja, a tecnologia, respostas, interações que existem hoje com um usuário, irão se adaptar de acordo com ele ao decorrer do tempo.

 

Além de oferecer respostas contextuais e adaptadas, as IA’s generativas são capazes de gerar conteúdo personalizado sob demanda. Isso inclui a criação de respostas de texto, imagens, músicas e até mesmo narrativas completas adaptadas às preferências do usuário.

 

Essas notícias de negociação também representam um movimento em direção a uma maior inovação e evolução no campo da inteligência artificial. Com empresas como a Google investindo fortemente em pesquisa e desenvolvimento, podemos esperar uma rápida evolução nas capacidades e funcionalidades das IA’s generativas, oferecendo benefícios cada vez maiores para os usuários ao longo do tempo.

 

Desafios para o Futuro

 

É importante reconhecer os desafios significativos que precisam ser superados para sua implementação generalizada. Questões éticas relacionadas à geração de conteúdo sintético e ao uso responsável da inteligência artificial são pontos críticos a serem considerados. A necessidade de garantir a qualidade e a segurança dos dados gerados também apresenta desafios técnicos importantes.

 

Apesar desses desafios, o futuro das assistentes virtuais é promissor, oferecendo o potencial de proporcionar uma experiência de usuário cada vez mais personalizada, intuitiva e eficaz. O impacto das IA’s generativas na evolução dessas tecnologias é inegável, abrindo novas oportunidades para aprimorar a interação entre homem e máquina para criar experiências digitais cada vez mais avançadas.



CompartilharCompartilhar1Enviar
Post Anterior

Como o Pinterest usa Visão Computacional para encontrar o que você procura

Próximo Post

Minha Participação no Hipsters Ponto Tech: TensorFlow

Rafael Duarte

Rafael Duarte

Relacionado Artigos

DeepSeek vazamento de dados de usuários
Notícias

DeepSeek: Vazamento de dados expõe dados de usuários

por Equipe Sigmoidal
fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA
Notícias

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

por Equipe Sigmoidal
janeiro 25, 2025
Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA
Notícias

Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

por Equipe Sigmoidal
janeiro 22, 2025
Trump revoga decreto de Biden sobre regulação de Inteligência Artificial
Notícias

Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

por Equipe Sigmoidal
janeiro 21, 2025
Salesforce não contratará desenvolvedores em 2025
Notícias

Salesforce não contratará desenvolvedores em 2025

por Equipe Sigmoidal
janeiro 19, 2025
Próximo Post
Minha Participação no Hipsters Ponto Tech: TensorFlow

Minha Participação no Hipsters Ponto Tech: TensorFlow

Deixe um comentário Cancelar resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Pós-Graduação em Data Science Pós-Graduação em Data Science Pós-Graduação em Data Science

Mais Populares

  • Introdução ao MediaPipe e Pose Estimation

    Introdução ao MediaPipe e Pose Estimation

    467 compartilhamentos
    Compartilhar 187 Tweet 117
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    396 compartilhamentos
    Compartilhar 158 Tweet 99
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    375 compartilhamentos
    Compartilhar 150 Tweet 94
  • Equalização de Histograma com OpenCV e Python

    119 compartilhamentos
    Compartilhar 48 Tweet 30
  • Processamento de Nuvens de Pontos com Open3D e Python

    36 compartilhamentos
    Compartilhar 14 Tweet 9
  • Em Alta
  • Comentários
  • Mais Recente
Como Tratar Dados Ausentes com Pandas

Como Tratar Dados Ausentes com Pandas

agosto 13, 2019
Como usar o DALL-E 2 para gerar imagens a partir de textos

Como usar o DALL-E 2 para gerar imagens a partir de textos

dezembro 25, 2022
Introdução ao MediaPipe e Pose Estimation

Introdução ao MediaPipe e Pose Estimation

julho 15, 2023

ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

abril 10, 2023
Como Analisar Ações da Bolsa com Python

Como Analisar Ações da Bolsa com Python

15
Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

Setembro Amarelo: Análise do Suicídio no Brasil, com Data Science

13
Como Aprender Data Science?

Como Aprender Data Science?

9
Qual o Cenário de Data Science no Brasil hoje?

Qual o Cenário de Data Science no Brasil hoje?

8
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025
DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA

DeepSeek R1 vs OpenAI o1 – Qual é o Melhor Modelo de IA?

janeiro 25, 2025
Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

Trump Anuncia Investimento de US$ 500 Bilhões em Infraestrutura de IA

janeiro 22, 2025
Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

Trump revoga decreto de Biden sobre regulação de Inteligência Artificial

janeiro 21, 2025

Seguir

  • 🫠Baseado em uma história real…
O que você conseguiria vender falando que “usa agentes de IA”?
  • 🤔🤔🤔 verdade ou mentira??
  • 🚨 É HOJE! LANÇAMENTO da Pós-Graduação em Visão Computacional & Deep Learning!

🛎️ Clique no link da bio e ative a notificação no YouTube!

#DeepLearning #VisãoComputacional #machinelearning
  • 🚨 É AMANHÃ!
A Live de Lançamento da nova Pós em Visão Computacional & Deep Learning acontece neste domingo, às 20h!

📍 Link da live já disponível na bio
🛎️ Ative a notificação agora para não perder!

#DeepLearning #VisãoComputacional #MachineLearning
  • 🚀 NOVA PÓS EM VISÃO COMPUTACIONAL!

Seja especialista em Visão Computacional e Deep Learning! 

✔️ 400h de conteúdo
✔️ Curso reconhecido pelo MEC
✔️ Foco em prática e projetos reais

💡 1 CURSO, 2 CARREIRAS
Atue como Machine Learning Engineer E Computer Vision Engineer! 

📅 Aula de lançamento: 1º de junho, 20h

📍 Link na bio. Ative o lembrete e participe!

#computervision #machinelearning #datascience
  • Geo4D apresenta uma nova abordagem para reconstrução 4D monocular de cenas dinâmicas, reutilizando modelos de difusão de vídeo. 

🌀 A técnica dispensa sensores múltiplos ou dados reais — treinando apenas com dados sintéticos e generalizando bem em zero-shot. Isso é possível porque modelos de difusão capturam priors temporais e espaciais consistentes. 

O método prevê múltiplas modalidades geométricas: mapas de pontos, profundidade e raios. Em seguida, utiliza um algoritmo leve de alinhamento multi-modal para fundi-las de forma coerente. Esse processo acontece em janelas deslizantes, permitindo reconstruções 4D contínuas e robustas mesmo em vídeos longos.

Nos benchmarks, o Geo4D superou métodos SOTA como MonST3R em estimativa de profundidade e alcançou bons resultados em pose de câmera. Uma prova do poder de integrar visão computacional e modelos generativos. 🧠

Se curtiu a ideia, deixa seu like e fortalece o post!

Fonte: Zeren Jiang

#machinelearning #computervision #datascience
  • 📸 Reconstrução 3D do Arco do Triunfo com Gaussian Splatting, a partir de um único vídeo

A técnica usada é o Gaussian Splatting, uma abordagem moderna de renderização neural que substitui malhas e voxels por distribuições gaussianas no espaço 3D.

Esses pontos flutuantes carregam cor, opacidade e variância, permitindo uma renderização ultrarrápida e detalhada - ideal para aplicações em realidade aumentada, mapeamento urbano e digital twins.

Diferente dos métodos tradicionais, esse modelo ajusta diretamente os parâmetros das gaussianas, tornando o processo leve e eficiente, inclusive em tempo real.

📌 Fonte: Bohdan Vodianyk

#ComputerVision #VisãoComputacional #MachineLearning #GaussianSplatting
  • Você ainda acredita que resolver as top-150 questões do LeetCode é suficiente para ser aprovado em uma entrevista de Machine Learning Engineer ou Computer Vision Engineer?

Talvez já tenha sido… alguns anos atrás.

Hoje, no entanto, empresas que seguem o padrão de avaliação das FAANG - como Meta (Facebook), Apple, Amazon, Netflix e Google - vêm exigindo muito mais do que apenas conhecimento em algoritmos e estrutura de dados.

✅ Espera-se domínio em ML System Design
✅ Clareza ao comunicar trade-offs técnicos
✅ Experiência real em colocar modelos de machine learning em produção

Passar pela etapa de screening é só o começo.

Se você quer realmente se destacar, aqui estão 3 livros essenciais para estudar com estratégia! Arraste o carrossel para conferir a lista.

📌 Comente se você incluiria algum outro título.
📤 Compartilhe com um colega que também está se preparando.

#machinelearning #computervision #datascience
  • 🚀 NASA testa novo laser 3D para medir ventos e melhorar previsões meteorológicas

Desde o outono de 2024, a NASA tem utilizado um instrumento avançado chamado Aerosol Wind Profiler (AWP) para medir ventos em 3D com alta precisão.

Montado em uma aeronave especial, o AWP usa pulsos de laser para detectar velocidade e direção dos ventos, além da concentração de aerossóis (poeira, fumaça, sal marinho etc).

Esses dados são valiosos para modelos de Machine Learning aplicados à previsão do tempo, detecção de anomalias e simulação atmosférica.

📊 Oportunidades diretas para ML:

🔹 Treinamento supervisionado: previsões mais precisas usando dados reais de velocidade e direção dos ventos em múltiplas altitudes.

🔹 Modelagem de séries temporais: LSTMs e Transformers podem capturar padrões em sistemas complexos como furacões.

🔹 Data fusion: integração de sensores distintos (AWP, HALO, dropsondes) é um problema clássico resolvido com ML multimodal.

🔹 Assimilação de dados: ML pode atuar em tempo real para corrigir modelos físicos via técnicas híbridas (physics-informed ML).

Se você trabalha com IA, clima ou sensoriamento remoto, esse é o tipo de dado que muda o jogo!
  • Cada passo te aproxima do que realmente importa. Quer continuar avançando?

🔘 [ ] Agora não
🔘 [ ] Seguir em frente 🚀
  • 🇺🇸 Green Card por Habilidade Extraordinária em Data Science e Machine Learning

Após nossa mudança para os EUA, muitas pessoas me perguntaram como consegui o Green Card tão rapidamente. Por isso, decidi compartilhar um pouco dessa jornada.

O EB-1A é um dos vistos mais seletivos para imigração, sendo conhecido como “The Einstein Visa”, já que o próprio Albert Einstein obteve sua residência permanente através desse processo em 1933.

Apesar do apelido ser um exagero moderno, é fato que esse é um dos vistos mais difíceis de conquistar. Seus critérios rigorosos permitem a obtenção do Green Card sem a necessidade de uma oferta de emprego.

Para isso, o aplicante precisa comprovar, por meio de evidências, que está entre os poucos profissionais de sua área que alcançaram e se mantêm no topo, demonstrando um histórico sólido de conquistas e reconhecimento.

O EB-1A valoriza não apenas um único feito, mas uma trajetória consistente de excelência e liderança, destacando o conjunto de realizações ao longo da carreira.

No meu caso específico, após escrever uma petição com mais de 1.300 páginas contendo todas as evidências necessárias, tive minha solicitação aprovada pelo USCIS, órgão responsável pela imigração nos Estados Unidos.

Fui reconhecido como um indivíduo com habilidade extraordinária em Data Science e Machine Learning, capaz de contribuir em áreas de importância nacional, trazendo benefícios substanciais para os EUA.

Para quem sempre me perguntou sobre o processo de imigração e como funciona o EB-1A, espero que esse resumo ajude a esclarecer um pouco mais. Se tiver dúvidas, estou à disposição para compartilhar mais sobre essa experiência! #machinelearning #datascience
  • 🚀Domine a tecnologia que está revolucionando o mundo.

A Pós-Graduação em Visão Computacional & Deep Learning prepara você para atuar nos campos mais avançados da Inteligência Artificial - de carros autônomos a robôs industriais e drones.

🧠 CARGA HORÁRIA: 400h
💻 MODALIDADE: EAD
📅 INÍCIO DAS AULAS: 29 de maio

Garanta sua vaga agora e impulsione sua carreira com uma formação prática, focada no mercado de trabalho.

Matricule-se já!

#deeplearning #machinelearning #visãocomputacional
  • Green Card aprovado! 🥳 Despedida do Brasil e rumo à nova vida nos 🇺🇸 com a família!
  • Haverá sinais… aprovado na petição do visto EB1A, visto reservado para pessoas com habilidades extraordinárias!

Texas, we are coming! 🤠
  • O que EU TENHO EM COMUM COM O TOM CRUISE??

Clama, não tem nenhuma “semana” aberta. Mas como@é quinta-feira (dia de TBT), olha o que eu resgatei!

Diretamente do TÚNEL DO TEMPO: Carlos Melo &Tom Cruise!
  • Bate e Volta DA ITÁLIA PARA A SUÍÇA 🇨🇭🇮🇹

Aproveitei o dia de folga após o Congresso Internacional de Astronáutica (IAC 2024) e fiz uma viagem “bate e volta” para a belíssima cidade de Lugano, Suíça.

Assista ao vlog e escreve nos comentários se essa não é a cidade mais linda que você já viu!

🔗 LINK NOS STORIES
Instagram Youtube LinkedIn Twitter
Sigmoidal

O melhor conteúdo técnico de Data Science, com projetos práticos e exemplos do mundo real.

Seguir no Instagram

Categorias

  • Aeroespacial
  • Artigos
  • Blog
  • Carreira
  • Cursos
  • Data Science
  • Deep Learning
  • Destaques
  • Entrevistas
  • IA Generativa
  • Livros
  • Machine Learning
  • Notícias
  • Python
  • Teoria
  • Tutoriais
  • Visão Computacional
  • Youtube

Navegar por Tags

camera calibration carreira chatgpt cientista de dados cnn computer vision Cursos dados desbalanceados data science data science na prática decision tree deep learning gpt-3 histograma IA generativa image formation inteligência artificial jupyter kaggle keras machine learning matplotlib mnist nft openai opencv overfitting pandas profissão python redes neurais redes neurais convolucionais regressão linear regressão logística salário scikit-learn seaborn sklearn tensorflow titanic tutorial visão computacional vídeo youtube árvore de decisão

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.

Welcome Back!

Login to your account below

Forgotten Password?

Retrieve your password

Please enter your username or email address to reset your password.

Log In

Add New Playlist

Sem Resultado
Ver Todos Resultados
  • Home
  • Cursos
  • Pós-Graduação
  • Blog
  • Sobre Mim
  • Contato
  • English

© 2024 Sigmoidal - Aprenda Data Science, Visão Computacional e Python na prática.