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

Processamento de Nuvens de Pontos com Open3D e Python

Carlos Melo por Carlos Melo
janeiro 2, 2025
em Machine Learning, Teoria, Tutoriais, Visão Computacional
0
57
COMPARTILHAMENTOS
1.9k
VIEWS
Publicar no LinkedInCompartilhar no FacebookCompartilhar no Whatsapp

O campo da compreensão em 3D tem atraído atenção crescente nos últimos tempos, impulsionado significativamente pelas tecnologias de AR e Computação Espacial, apoiadas por grandes empresas como Apple e Meta.

No centro deste fascinante campo está a visão computacional em 3D, um ramo especializado da visão computacional que foca em compreender e processar dados visuais tridimensionais do mundo real.

Nuvem de pontos de uma cena de tráfego gerada por LIDAR.

Este artigo apresenta o processamento de nuvens de pontos 3D usando a biblioteca Open3D, uma biblioteca open-source projetada para capacitar desenvolvedores e pesquisadores com um conjunto abrangente de ferramentas para processamento de dados em 3D. Todos esses conceitos serão explorados através de exemplos práticos em Python, proporcionando uma base sólida para explorar e aplicar habilidades de processamento de dados 3D.

Baixe o código

  • Todo o código publicado no campo de machine learning 3D pode ser encontrado no repositório oficial do GitHub.
  • O código específico deste artigo está disponível aqui.

Open3D: Uma Biblioteca Moderna para Processamento de Dados 3D

O Open3D está na vanguarda da tecnologia de processamento de dados 3D, oferecendo uma biblioteca open-source que acelera significativamente o desenvolvimento de softwares focados no manuseio de dados 3D. Projetado com uma API clara e intuitiva, o Open3D oferece aos desenvolvedores e pesquisadores acesso fácil a um conjunto robusto de estruturas de dados e algoritmos para computação em 3D, tanto em C++ quanto em Python.

As principais funcionalidades do Open3D são cuidadosamente projetadas para cobrir todos os aspectos do manuseio de dados 3D, incluindo suporte abrangente para estruturas de dados 3D e algoritmos de processamento, essenciais para tarefas como reconstrução de cenas, alinhamento de superfícies e visualização 3D.

Visão geral dos diferentes componentes do Open3D.
Visão geral dos diferentes componentes do Open3D (crédito da imagem)

Além disso, a biblioteca vai além das capacidades tradicionais de processamento ao oferecer renderização baseada em física (PBR), que adiciona uma camada de realismo aos modelos 3D, e suporte para machine learning em 3D, permitindo integração com frameworks populares como PyTorch e TensorFlow.

O suporte do Open3D para aceleração por GPU melhora significativamente a eficiência das operações principais em 3D, beneficiando aplicações que requerem processamento e visualização em tempo real de dados 3D, como experiências interativas de AR/VR, robótica e navegação de veículos autônomos.

Métodos de Representação de Formas 3D

No processamento de dados 3D, as formas podem ser representadas de duas maneiras principais: formas rasterizadas e formas geométricas.

Representações rasterizadas utilizam grades regulares e incluem imagens multivista, mapas de profundidade e dados volumétricos. Imagens multivista capturam objetos de vários ângulos, mapas de profundidade registram a distância de um ponto de vista até a superfície do objeto, e representações volumétricas utilizam uma grade de voxels para modelar objetos no espaço 3D.

Por outro lado, representações geométricas modelam formas através de elementos irregulares e discretos. Essa categoria inclui malhas poligonais, compostas por vértices, arestas e faces; nuvens de pontos, que são conjuntos de vértices em um sistema de coordenadas tridimensional; e modelos CAD baseados em primitivas, que utilizam formas geométricas básicas (como esferas, cubos e cilindros) para construir objetos complexos.

Cada tipo de representação possui aplicações e vantagens específicas, com as formas rasterizadas sendo úteis para reconstrução 3D baseada em imagens, enquanto as formas geométricas oferecem maior precisão em modelagem e simulação.

Diferentes formas de representação de um conjunto de dados de nuvem de pontos 3D (crédito da imagem: Florent Poux, Ph.D.)

1 de 4
- +
Example of 3D Point Cloud
An aerial LiDAR simulated point cloud
Example of shell representation
Example of a solid 3D model through voxelization

 

Fundamentos Teóricos das Nuvens de Pontos

Nuvens de pontos são uma forma fundamental de representação de superfícies, capturando a essência dos objetos em forma de pontos discretos distribuídos por suas superfícies. Matematicamente, uma nuvem de pontos pode ser definida como um conjunto P = \{p_1, p_2, ..., p_n\}, onde cada p_i \in \mathbb{R}^3 representa um ponto no espaço tridimensional com coordenadas que correspondem à sua posição.

Essa simplicidade permite a aquisição direta de dados espaciais do ambiente, tornando as nuvens de pontos uma ferramenta indispensável em áreas como visão computacional, gráficos por computador e robótica. A proliferação de sensores 3D acessíveis tornou os dados de nuvens de pontos mais democratizados, permitindo uma ampla gama de aplicações, desde mapeamento detalhado do ambiente até tarefas complexas de reconhecimento de objetos.

Representações 3D, incluindo nuvem de pontos
Representações 3D: a nuvem de pontos é a mais próxima dos dados brutos do sensor e possui uma representação simples (crédito da imagem)

Os algoritmos projetados para processamento de nuvens de pontos frequentemente dependem de relações espaciais e variações de densidade dentro dos dados para inferir propriedades de superfícies e limites de objetos. Técnicas como a construção de uma árvore k-d para busca eficiente dos vizinhos mais próximos ou a aplicação de algoritmos de reconstrução de superfícies, como reconstrução de Poisson ou formas alfa, são comumente empregadas para derivar interpretações significativas a partir dos dados brutos da nuvem de pontos.

Apesar de sua simplicidade, as nuvens de pontos encapsulam um rico conjunto de informações sobre a geometria e a topologia de objetos físicos, servindo como uma ponte crítica entre os mundos digital e físico em diversos domínios tecnológicos.

Início Rápido com Python e Open3D

Nesta seção, exploraremos os fundamentos do uso do Open3D, uma poderosa biblioteca para processamento de dados 3D, com foco na visualização de nuvens de pontos. O Open3D simplifica a manipulação e a visualização de dados 3D, tornando-o acessível para desenvolvedores que trabalham em diferentes plataformas, como Ubuntu, macOS e Windows, com versões do Python de 3.8 a 3.11.

Instalação e Verificação

Para começar a usar o Open3D, você pode instalá-lo utilizando o comando pip. Existem duas opções de instalação disponíveis: uma instalação padrão e uma versão apenas para CPU em sistemas Linux x86_64, que é menor e pode ser preferida em ambientes sem GPU dedicada.

pip install open3d       # Instalação padrão
pip install open3d-cpu   # Versão apenas para CPU em Linux

Após a instalação, é uma boa prática verificar se o Open3D foi instalado corretamente, checando sua versão. Isso pode ser feito com um comando simples em Python.

python -c "import open3d as o3d; print(o3d.__version__)"

O Open3D também oferece uma API Python para processamento e visualização de dados 3D, além de uma interface de linha de comando (CLI) para executar exemplos predefinidos.

Visualizando uma Nuvem de Pontos

O núcleo deste tutorial foca em carregar e visualizar uma nuvem de pontos utilizando o Open3D. O processo começa com o carregamento de um arquivo de nuvem de pontos no formato .ply, um formato popular para armazenar dados 3D. O método read_point_cloud é utilizado para esta finalidade, decodificando automaticamente o arquivo com base em sua extensão.

import open3d as o3d
import numpy as np

# Carregando e visualizando uma nuvem de pontos em formato PLY
print("Carregando uma nuvem de pontos PLY, imprimindo e renderizando...")
ply_point_cloud = o3d.data.PLYPointCloud()
pcd = o3d.io.read_point_cloud(ply_point_cloud.path)

# Imprimindo informações sobre a nuvem de pontos e o array de pontos
print(pcd)
print(np.asarray(pcd.points))

# Definindo parâmetros de visualização
view_params = {
    "zoom": 0.3412,
    "front": [0.4257, -0.2125, -0.8795],
    "lookat": [2.6172, 2.0475, 1.532],
    "up": [-0.0694, -0.9768, 0.2024]
}

# Renderizando a nuvem de pontos
o3d.visualization.draw_geometries([pcd], **view_params)

Após carregar a nuvem de pontos, podemos inspecioná-la imprimindo o objeto pcd e o array de pontos contido nela. Isso oferece uma visão da estrutura e dos dados presentes na nuvem de pontos. A visualização é realizada pela função draw_geometries, que renderiza a nuvem de pontos em uma janela, permitindo que os usuários interajam com os dados 3D. Esses parâmetros ajudam a ajustar a perspectiva da câmera, oferecendo uma visão detalhada da estrutura dos dados após a simplificação.

Visualizando uma Nuvem de Pontos com Open3D

A visualização pode dar a impressão de uma superfície densa; no entanto, é importante lembrar que o que estamos vendo é uma nuvem de pontos renderizada como surfels. A interface gráfica do Open3D oferece funcionalidades adicionais, como o ajuste do tamanho dos pontos através de atalhos de teclado, melhorando a experiência de visualização. Por exemplo, pressionar a tecla - diminui o tamanho dos pontos, oferecendo uma perspectiva diferente dos dados.

Redução de Pontos com Voxel (Voxel Downsampling)

Esse processo aplica uma grade de voxels para reduzir uniformemente a densidade da nuvem de pontos de entrada, simplificando os dados para maior eficiência computacional nas etapas de processamento subsequentes. O método funciona agrupando pontos em voxels e, em seguida, calculando a média dos pontos dentro de cada voxel para uma única localização.

Isso reduz o número de pontos, mantendo a forma e as características gerais da nuvem de pontos original.

print("Reduzindo a nuvem de pontos com um tamanho de voxel de 0.05")

# Aplicando a redução de pontos com voxel
downpcd = pcd.voxel_down_sample(voxel_size=0.05)

# Definindo parâmetros de visualização para a nuvem de pontos reduzida
downsample_view_params = {
    "zoom": 0.3412,
    "front": [0.4257, -0.2125, -0.8795],
    "lookat": [2.6172, 2.0475, 1.532],
    "up": [-0.0694, -0.9768, 0.2024]
}

# Renderizando a nuvem de pontos reduzida
o3d.visualization.draw_geometries([downpcd], **downsample_view_params)

No trecho de código sobre a redução de pontos com voxel, o processo começa especificando um tamanho de voxel de 0.05, que determina a resolução da grade de voxels. A função voxel_down_sample é chamada na nuvem de pontos original pcd, reduzindo sua densidade ao calcular a média dos pontos dentro de cada voxel. Isso resulta em downpcd, uma versão simplificada da nuvem de pontos original.

A função o3d.visualization.draw_geometries é utilizada para visualizar downpcd. Parâmetros como zoom, front, lookat e up são configurados para ajustar o ângulo e a posição da câmera, proporcionando uma visualização clara da nuvem de pontos reduzida.

Estimação de Normais dos Vértices

A estimação de normais dos vértices calcula as normais para cada ponto na nuvem de pontos, algo essencial para muitas tarefas de processamento 3D. A visualização das normais pode ser ativada pressionando a tecla N, e seu comprimento pode ser ajustado com as teclas - e +. Essa função calcula as normais identificando pontos adjacentes e utilizando a análise de covariância para encontrar o eixo principal.

Uma instância de KDTreeSearchParamHybrid, que especifica um raio de busca e o número máximo de vizinhos próximos, controla o nível de detalhe da estimação das normais para equilibrar precisão e carga computacional.

print("Recalculando as normais para a nuvem de pontos reduzida")

# Estimando normais para a nuvem de pontos reduzida
downpcd.estimate_normals(
    search_param=o3d.geometry.KDTreeSearchParamHybrid(radius=0.1, max_nn=30))

# Definindo parâmetros de visualização para exibir as normais
normals_view_params = {
    "zoom": 0.3412,
    "front": [0.4257, -0.2125, -0.8795],
    "lookat": [2.6172, 2.0475, 1.532],
    "up": [-0.0694, -0.9768, 0.2024],
    "point_show_normal": True
}

# Renderizando a nuvem de pontos reduzida com normais
o3d.visualization.draw_geometries([downpcd], **normals_view_params)

No código de estimação de normais dos vértices, a operação começa chamando a função estimate_normals na nuvem de pontos reduzida downpcd. Essa função calcula as normais para cada ponto, o que é crucial para muitas tarefas de processamento 3D, como renderização, simulação e análises geométricas.

O argumento search_param especifica como as normais serão calculadas, utilizando uma árvore KD (k-d tree) para encontrar eficientemente pontos próximos.

Estimação de Normais dos Vértices com Open3D

Aqui, o3d.geometry.KDTreeSearchParamHybrid é configurado com um radius de 0,1 e max_nn (máximo de vizinhos próximos) de 30. Essa configuração equilibra a precisão da estimação de normais com a eficiência computacional, limitando a busca a um raio de 10 cm e considerando até 30 vizinhos para cada ponto.

Após o cálculo das normais, a função o3d.visualization.draw_geometries visualiza a nuvem de pontos reduzida com as normais habilitadas.

Conclusões

  • Papel do Open3D: O Open3D é uma biblioteca essencial para o processamento de dados 3D, permitindo a manipulação de dados complexos em 3D com suporte para C++ e Python. Ele facilita uma variedade de aplicações, desde visão computacional 3D até AR/VR e robótica.
  • Representação de Formas 3D: O artigo explica as formas rasterizadas e geométricas como os dois métodos principais para representar formas 3D. As formas rasterizadas incluem imagens multivista e dados volumétricos, enquanto as formas geométricas abrangem malhas poligonais e nuvens de pontos.
  • Fundamentos das Nuvens de Pontos: Nuvens de pontos servem como uma forma simples, mas informativa, de representação de superfícies, sendo essenciais para tarefas como mapeamento ambiental e reconhecimento de objetos. O artigo cobre a definição matemática das nuvens de pontos e sua importância em visão computacional e robótica.
  • Guia Rápido com Python: Um guia rápido para começar a usar o Open3D com Python é fornecido, incluindo instruções de instalação e operações básicas, como carregar, visualizar e reduzir nuvens de pontos, oferecendo uma introdução prática às capacidades do Open3D.
  • Uso Prático do Open3D: Demonstrando a utilidade do Open3D, o artigo fornece exemplos em Python para tarefas como visualização de nuvens de pontos, redução de pontos com voxel e estimação de normais dos vértices. Esses exemplos destacam a funcionalidade do Open3D no processamento e visualização de dados 3D.

Compreender e processar nuvens de pontos é crucial para diversas aplicações, e dentro do contexto da Visão Computacional 3D, a biblioteca Open3D oferece as ferramentas necessárias para essas tarefas. Se você achou este post informativo, não deixe de curtir, comentar e compartilhar para apoiar e disseminar o conhecimento.

Compartilhar4Compartilhar23Enviar
Post Anterior

Inteligência Artificial criando filmes? Conheça Movie Gen, a nova ferramenta da META.

Próximo Post

Oportunidades no Setor Espacial para Cientistas de Dados

Carlos Melo

Carlos Melo

Engenheiro de Visão Computacional graduado em Ciências Aeronáuticas pela Academia da Força Aérea (AFA) e Mestre em Engenharia Aeroespacial pelo Instituto Tecnológico de Aeronáutica (ITA).

Relacionado Artigos

Por que o ChatGPT mente para você?
Artigos

Por que o ChatGPT mente para você?

por Carlos Melo
setembro 16, 2025
O Que é Amostragem e Quantização no Processamento de Imagens
Artigos

O Que é Amostragem e Quantização no Processamento de Imagens

por Carlos Melo
junho 20, 2025
Curso de Pós-Graduação em Data Science
Data Science

Vale a pena fazer uma Pós-Graduação em Data Science?

por Carlos Melo
janeiro 20, 2025
Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”
Livros

Review do Livro “Mãos à obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow”

janeiro 18, 2025
Carlos Melo e Sérgio Sacani – Ciência Sem Fim
Youtube

Carlos Melo e Sérgio Sacani – Ciência Sem Fim

por Carlos Melo
janeiro 16, 2025
Próximo Post
Carlos Melo da Pós Graduação em Data Science do Sigmoidal

Oportunidades no Setor Espacial para Cientistas de Dados

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

    513 compartilhamentos
    Compartilhar 205 Tweet 128
  • Por que o ChatGPT mente para você?

    9 compartilhamentos
    Compartilhar 4 Tweet 2
  • ORB-SLAM 3: Tutorial Completo para Mapeamento 3D e Localização em Tempo Real

    425 compartilhamentos
    Compartilhar 170 Tweet 106
  • Geometria da Formação de Imagens: Matrizes, Transformações e Sistemas de Coordenadas

    398 compartilhamentos
    Compartilhar 159 Tweet 100
  • Processamento de Nuvens de Pontos com Open3D e Python

    57 compartilhamentos
    Compartilhar 23 Tweet 14
  • 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
Por que o ChatGPT mente para você?

Por que o ChatGPT mente para você?

setembro 16, 2025
Green Card aprovado por habilidades extraordinárias em Data Science

Green Card aprovado por habilidades extraordinárias em Data Science

julho 14, 2025
O Que é Amostragem e Quantização no Processamento de Imagens

O Que é Amostragem e Quantização no Processamento de Imagens

junho 20, 2025
DeepSeek vazamento de dados de usuários

DeepSeek: Vazamento de dados expõe dados de usuários

fevereiro 1, 2025

Seguir

  • 🐍 PYTHON DO ZERO está de volta!
Agora como curso reconhecido pelo MEC.

Chegou a hora de aprender a habilidade mais poderosa do mercado de trabalho na próxima década.

Se você quer finalmente aprender PYTHON de verdade, sem enrolação e com uma metodologia feita para o mercado, essa é sua chance.

Hoje, comemorando 5 anos do primeiro lançamento da Turma 1, decidi abrir uma exceção histórica.

APRENDA PYTHON DO ZERO! 

🎉Matricule-se agora e garanta a oferta de aniversário do Sigmoidal.
  • 🚀 PROJETO COMPLETO DE DATA SCIENCE (AO VIVO)!

Neste domingo, às 21h, você vai aprender como construir um modelo de precificação de imóveis do zero, usando dados reais e técnicas de Data Science aplicadas ao mercado imobiliário.

Vamos passar pela análise exploratória de dados, entender padrões de preços, criar e validar um modelo de machine learning e discutir como melhorar a acurácia e interpretar os resultados.

💻📊 Uma aula prática e direta para quem quer dominar modelagem preditiva e transformar dados em decisões reais no mercado de imóveis.

>>> LINK NA BIO!

#datascience #cientistadedados #machinelearning
  • 🚀 PYTHON + DATA SCIENCE = Vigilância Aérea em Tempo Real

Treinei uma arquitetura baseada na YOLO (para detecção de objetos) e criei um servidor RTMP com NGINX para conseguir transmitir imagens do DJI Mavic Air 2 e processá-las ao vivo.

Esse projeto é um exemplo de como é possível aprender Data Science na prática!

#datascience #machinelearning #python
  • Até quando você vai continuar estagnado e sem clareza sobre a direção da sua carreira?

A verdade é simples: aprender a programar é a habilidade número um para qualquer profissional hoje, independente da área ou idade.

💻 Saber programar não é exclusividade de quem trabalha em tecnologia.

A pergunta é: você vai continuar no lado de quem espera por soluções prontas e fica preso a tarefas manuais, ou vai migrar para o lado de quem entende a tecnologia e usa programação para crescer, inovar e ganhar vantagem competitiva?

Comece agora. Aprender Python é o primeiro passo para abrir portas que você nem sabia que existiam.

#python #datascience #machinelearning
  • 💰 Você sabe o que faz e quanto ganha um cientista de dados?

Ser Cientista de Dados significa trabalhar com inteligência artificial, estatística e programação para transformar dados em decisões que movimentam negócios e impactam bilhões de pessoas.

É a função que dá vida a recomendações personalizadas, modelos preditivos e sistemas inteligentes que mudam a forma como empresas inovam.

E não é apenas fascinante...

💼💰 É também uma das carreiras mais bem remuneradas da área de tecnologia!

Se você quer uma carreira com futuro, relevância e excelente retorno financeiro, Data Science é o caminho certo!

#cientistadedados #datascience #python
  • Você colocaria fraldas do lado das cervejas no seu supermercado? 🤔

Parece estranho, mas foi exatamente essa descoberta que mudou as vendas do Walmart.

Os cientistas de dados da empresa analisaram milhões de transações com uma técnica de Data Mining que identifica padrões de compra e combinações inesperadas de produtos.

Então, usando algoritmos da Data Science, cruzaram dados de horário, perfil de cliente e itens comprados juntos.

Encontraram algo curioso: homens que passavam no mercado após as 18h para comprar fraldas, muitas vezes no caminho de casa, também compravam cerveja 🍺.

O Walmart testou a hipótese: colocou fraldas perto da seção de cervejas.

O resultado? As vendas de cerveja dispararam. 🚀

Esse é um exemplo clássico de como Data Science gera impacto direto no negócio.

Não é sobre algoritmos complexos apenas; é sobre transformar dados históricos em decisões inteligentes e lucrativas.

#datascience #cientistadedados #machinelearning
  • Conheça as formações da Academia Sigmoidal.

Nossos programas unem rigor acadêmico, prática aplicada e dupla certificação internacional, preparando você para atuar em Data Science, Visão Computacional e Inteligência Artificial com impacto real no mercado.

🤖 Pós-Graduação em Data Science: Forma Cientistas de Dados e Engenheiros de Machine Learning do zero, com Python, estatística e projetos práticos do mundo real.

👁️ Pós-Graduação em Visão Computacional: Especialize-se em processamento de imagens, Deep Learning, redes neurais e navegação autônoma de drones, tornando-se Engenheiro de Visão Computacional ou Engenheiro de Machine Learning.

📊 MBA em Inteligência Artificial: Voltado a profissionais de qualquer área, ensina a aplicar IA estrategicamente em negócios, usando automação, agentes de IA e IA generativa para inovação e competitividade.

Além do título de Especialista reconhecido pelo MEC, você ainda conquista uma Dupla Certificação Internacional com o STAR Research Institute (EUA).

💬 Interessado em dar o próximo passo para liderar no mercado de tecnologia? Me envie uma mensagem e eu te ajudo pessoalmente com a matrícula.

#DataScience #InteligenciaArtificial #VisaoComputacional
  • Treinar um modelo significa encontrar um bom conjunto de parâmetros. Esse conjunto é definido pela função objetivo, também chamada de função de perda. 👀

O gradient descent é o algoritmo que ajusta esses parâmetros passo a passo. Ele calcula a direção de maior inclinação da função de perda e move o modelo para baixo nessa curva. ⬇️

Se o parâmetro é o peso que multiplica X ou o bias que desloca a reta, ambos são atualizados. Cada iteração reduz o erro, aproximando o modelo da solução ótima.

A intuição é simples: sempre que a função de perda é maior, o gradiente aponta o caminho. O algoritmo segue esse caminho até que não haja mais descida possível. 🔄 

#inteligênciaartificial #datascience #machinelearning
  • Qual a melhor linguagem? PYTHON ou R?

Diretamente do túnel do tempo! Resgatei esse vídeo polêmico de 2021, quem lembra??

#DataScience #Python #R #Programação
  • 🎥 Como começar uma CARREIRA como CIENTISTA DE DADOS

Você já pensou em entrar na área que mais cresce e que paga os melhores salários no mundo da tecnologia?

Domingo você vai descobrir o que realmente faz um Cientista de Dados, quais são as habilidades essenciais e o passo a passo para dar os primeiros passos na carreira.

Eu vou te mostrar um mapa para você sair do zero e se preparar para trabalhar com Data Science em 2026.

📅 Domingo, 28 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

Clique no link dos Stories e receba o link da aula ao vivo!

#datascience #machinelearning #cientistadedados
  • VISÃO COMPUTACIONAL está no centro de um dos avanços mais impressionantes da exploração espacial recente: o pouso autônomo da missão Chang’e-5 na Lua. 🚀🌑

Durante a descida, câmeras de alta resolução e sensores a laser capturavam continuamente o relevo lunar, enquanto algoritmos embarcados processavam as imagens em tempo real para identificar crateras e obstáculos que poderiam comprometer a missão.

Esses algoritmos aplicavam técnicas de detecção de bordas e segmentação, aproximando crateras por elipses e cruzando a análise visual com dados de altímetros. Assim, a IA conseguia selecionar regiões planas e seguras para o pouso, ajustando a trajetória da nave de forma autônoma. 

Esse processo foi indispensável, já que a distância entre Terra e Lua gera atraso de comunicação que inviabiliza controle humano direto em tempo real.

Esse caso ilustra como IA embarcada está deixando de ser apenas uma ferramenta de análise pós-missão para se tornar parte crítica das operações espaciais autônomas em tempo real — um passo essencial para missões em Marte, asteroides e no lado oculto da Lua.

(PS: Vi o Sérgio Sacani, do @spacetoday , postando isso primeiro.)

#visaocomputacional #machinelearning #datascience
  • 🔴Aprenda a MATEMÁTICA por Trás do MACHINE LEARNING

Você já se perguntou como as máquinas aprendem?🤖 

A resposta está na matemática que dá vida ao Machine Learning. E neste vídeo, você vai aprender os conceitos fundamentais que sustentam os algoritmos de inteligência artificial, de forma clara e acessível.

Mais do que apenas fórmulas, a ideia é mostrar como cada peça matemática se conecta para transformar dados em aprendizado. Se você deseja compreender a lógica por trás do funcionamento das máquinas, essa aula é um ótimo ponto de partida.

📅 Domingo, 21 de setembro
🕖 20:00h (horário de Brasília)
🔗 Link nos Stories

#machinelearning #datascience #cientistadedados
  • 🚀 As matrículas estão abertas!
Depois de quase 1 ano, a nova turma da Pós-Graduação em Data Science chegou.

NOVIDADE: agora com Dupla Certificação Internacional:
🇧🇷 Diploma de Especialista reconhecido pelo MEC
🇺🇸 Certificado do STAR Research Institute (EUA)

Aprenda Data Science na prática, domine Machine Learning e IA, e conquiste reconhecimento no Brasil e no mundo.

2025 pode ser o ano em que você dá o passo decisivo para se tornar Cientista de Dados.

🔗 Clique no link da bio e reserve sua vaga!
#datascience #cienciadedados #python
  • Por que o CHATGPT MENTE PARA VOCÊ? 🤔

Já percebeu que o ChatGPT às vezes responde com confiança... mas está errado? 

Isso acontece porque, assim como um aluno em prova, ele prefere chutar do que deixar em branco.
Essas respostas convincentes, mas erradas, são chamadas de alucinações.

E o que o pesquisadores da OpenAI sugerem, é que esse tipo de comportamento aparece porque os testes que treinam e avaliam o modelo premiam o chute e punem a incerteza.

Então, da próxima vez que ele ‘inventar’ algo, lembre-se: não é pessoal, ele apenas for treinado dessa maneira!
#inteligênciaartificial #chatgpt #datascience
  • ChatGPT: um "estagiário de LUXO" para aumentar sua produtividade na programação.

 #programacao #copiloto #produtividade #streamlit #dashboard #tecnologia #devlife
  • Da série “Foi a IA que me deu”, vamos relembrar minha viagem pra Tromsø, na Noruega, 500 km acima da linha do Círculo Polar Ártico. 🌍❄️

No vídeo de hoje, você vai aprender o que é um "fiorde"! 

Como você dormia sem saber o que era um fiorde?? 😅
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.