Python Brasil 2025

Conhecimento prático em Deep Learning: entender o funcionamento de redes neurais convolucionais (CNNs), especialmente modelos de classificação de imagens; não é necessário saber treinar modelos do zero, mas é importante saber interpretar suas saídas e camadas.

Experiência com TensorFlow e Keras: já ter utilizado modelos pré-treinados com Keras.applications, realizado inferência, e feito pré-processamento de imagens (por exemplo, usando preprocess_input, image.load_img, etc).

Conhecimento básico de visão computacional: saber o que são mapas de ativação, heatmaps, e como imagens são representadas como matrizes; ter noções básicas de como visualizar e manipular imagens com OpenCV ou Matplotlib.

Conceito de explicabilidade em IA (XAI): ter noções do porquê explicações visuais (como o Grad-CAM) são importantes para modelos preditivos, especialmente em aplicações sensíveis.

Nesta palestra, você aprenderá como aplicar a técnica Grad-CAM para visualizar e interpretar decisões de redes neurais convolucionais em tarefas de classificação de imagens. Exploraremos, passo a passo, como construir um pipeline em Python utilizando modelos pré-treinados com Keras/TensorFlow e como gerar mapas de calor que revelam o que o modelo "enxergou" ao tomar uma decisão. A expectativa é sair da atividade compreendendo como aplicar Grad-CAM em projetos reais, aumentar a transparência dos seus modelos de visão computacional e entender melhor os fundamentos da explicabilidade em IA.

Ciência e Análise de Dados, Machine Learning e Inteligência Artificial