Minicursos
MC1 - Deep Learning para Imagens de Sensoriamento Remoto
Resumo do minicurso:
Esse minicurso tem como objetivo trazer a base teórica e prática para os participantes darem o primeiro passo na aplicação de deep learning com imagens de sensoriamento remoto. Será dada uma introdução às redes neurais convolucionais (CNN), apresentados os passos para sua aplicação com dados de sensoriamento remoto, e demonstrada sua aplicação em computador local e na nuvem (plataforma Google Colab). Os códigos serão compartilhados com os participantes para que acompanhem/rodem a demonstração em suas próprias máquinas.
Requisitos do minicurso:
- Conta no Google para acessar o Google Colab
Responsáveis:
- Ricardo Dal'Agnol da Silva
- Fabien Wagner
MC2 - Introdução ao STAC e WTSS
Resumo do minicurso:
Hoje, há um número sem precedentes de imagens de observação da Terra disponíveis gratuitamente (Landsat, Sentinel, CBERS, MODIS), possibilitando abordagens que antigamente eram impossíveis de serem utilizadas com poucas imagens, como a análise de séries temporais de múltiplos anos. No entanto, esse volume de dados também trouxe novos desafios, principalmente devido à dificuldade de gerenciar e processar tal volume. Portanto, para melhor proveito desses dados, têm-se adotado o uso de cubos de dados. Com essa abordagem, a análise temporal é facilitada, permitindo que a extração de informações seja realizada rapidamente. Nos últimos anos, diversas iniciativas surgiram para facilitar o acesso a esses dados, permitindo aos pesquisadores trabalhar com Cubos de Dados ao invés de uma ou poucas imagens.
O projeto Brazil Data Cube (BDC) é uma dessas iniciativas. Criado em 2019 e desenvolvido pelo INPE (Instituto Nacional de Pesquisas Espaciais), o projeto está processando e criando cubos de dados de média resolução espacial para todo o território brasileiro, bem como desenvolvendo serviços para viabilizar o acesso a esses dados. Entre esses serviços está a implementação da especificação Spatio Temporal Asset Catalog (STAC), que vem sendo adotada para catalogação de dados geográficos, por diversos provedores de dados de Sensoriamento Remoto, e o Web Time Series Service (WTSS), que extrai séries temporais desses cubos de dados, a partir de coordenadas geográficas.
Este minicurso apresenta os conceitos básicos de séries temporais e cubos de dados, bem como a forma de utilizar, através da linguagem Python, os serviços STAC e WTSS para obter informações dos produtos gerados pelo projeto BDC.
Requisitos do minicurso:
- Conta no kaggle.com
Responsáveis:
- Gilberto Ribeiro de Queiroz
- Karine Reis Ferreira
- Rennan Marujo
Equipe de Colaboradores do Minicurso:
- Abner Ernâni dos Anjos
- Fabiana Zioti
- Felipe Souza
- Felipe Menino Carlos
- Leonardo Vieira
MC3 (Parte 1) - Introdução a computação quântica com o Atos myQLM
Resumo do minicurso:
A computação quântica tem se apresentado como uma das possibilidades mais promissoras na aceleração do processamento. Se o algoritmo escolhido se adequa ao modelo da computação quântica, se tem promessas de speedup exponencial, tanto em processamento como em armazenamento. A Atos desenvolveu um simulador de computação quântica chamado QLM – Quantum Learning Machine. A ideia desse simulador é possibilitar a simulação da computação quântica independente de suas implementações, e comparar os resultados considerando diferentes implementações.
Um mesmo circuito quântico pode necessitar diferentes alterações para ser executado em implementações reais, como o IBM QX4 (superconducting qubits) ou na implementação do projeto AQTION (trapped ions). Com a promessa de se ter disponível aceleradores quânticos em 3 a 5 anos, precisamos entender quais algoritmos poderão se beneficiar dessa tecnologia, assim como quais os efeitos do ruído nesses dispositivos. Nesse minicurso teremos uma apresentação básica dos conceitos da computação quântica, usando o QLM, e faremos uma análise acessando o simulador da Atos, de um circuito quântico que resolve transformações de Fourier (QFT). Será feita a análise do uso do reordenamento das portas e sua sensibilidade ao ruído, considerando as arquiteturas do IBM QX4 e do projeto AQTION. Partiremos do modelo de programação usado na computação quântica, incluindo as portas básicas e suas representações matemáticas, assim como exemplos de implementações de circuitos quânticos fim a fim, usando tanto o myQLM, como o QLM como ferramentas.
Responsável:
- Genaro Costa
MC3 (Parte 2) - Modelando um problema para Computação Quântica: da série de Fourier à resolução de equações de sistemas lineares em um computador quântico
Resumo do minicurso:
O algoritmo da transformada de Fourier rápida, que implementa a transformada de Fourier discreta em um vetor, é um dos algoritmos mais importantes das engenharias e ciências da computação por oferecer uma economia exponencial de operações em relação ao algoritmo de multiplicação de matrizes. No entanto, com o volume de dados gerados em alguns setores específicos e a necessidade de obter informações em intervalos de tempo cada vez menores, o ganho exponencial de tempo da transformada de Fourier rápida passou a não ser satisfatório. Nesse sentido, a computação quântica oferece uma alternativa para implementar a transformada de Fourier discreta com uma economia exponencial de operações em relação à transformada de Fourier rápida. A chamada transformada de Fourier quântica é utilizada como parte de diversos algoritmos quânticos e é responsável pelas acelerações mais importantes da computação quântica, tal qual o algoritmo de Shor de fatoração de números inteiros. Para se ter uma ideia do poder da computação quântica e da transformação de fourier quântica, esse algoritmo pode quebrar os melhores protocolos de segurança baseados em computação clássica. Apesar da sua importância, devido às peculiaridades da mecânica quântica, a transformada de Fourier quântica é usada, na computação quântica, de forma diferente da transformada de Fourier discreta, na computação clássica. Uma aplicação importante é no algoritmo chamado estimativa de fase que fornece autovalores de um operador unitário. Nesse sentido, a estimativa de fase é uma etapa importante de um algoritmo quântico para resolução de sistemas lineares chamado HHL (em referência às iniciais dos nomes dos autores Harrow, Hassidim e Lloyd). Nesse contexto, iremos apresentar o formalismo matemático da transformada de Fourier discreta e da transformada de Fourier quântica. Em seguida, iremos sumarizar os principais aspectos da mecânica quântica para o entendimento da computação quântica, construiremos e mostraremos os circuitos da transformada de Fourier quântica e da estimativa de fase. Finalmente, mostraremos os principais aspectos do HHL, suas limitações e suas aplicações em potencial.
Responsável:
- Vinícius Nonato Alves Lula Rocha
MC4 - Introdução à Visão Computacional
Resumo do minicurso:
O minicurso de Introdução à Visão Computacional tem por objetivo a introdução prática ao treinamento de uma rede neural convolucional profunda para aplicações de visão computacional, como detecção e classificação de objetos.
Os participantes serão expostos aos fundamentos da visão computacional e suas tecnologias e farão uso de técnicas e recursos presentes em aplicações que compreendem seu estado da arte, como redes neurais YOLO e o framework Darknet, com o treinamento da rede pelo Google Colaboratory e a aplicação desenvolvida em Python em um computador pessoal.
Os participantes serão expostos a um problema-modelo para acompanhar o conteúdo. É encorajado, no entanto, que o participante traga consigo um problema que envolva a detecção e/ou classificação de objetos e, para isso, ele teve ter consigo um conjunto e imagens destes objetos e possivelmente vídeos.
O curso será dividido em dois dias, de forma que o treinamento de uma rede convolucional pode ser realizado entre um dia e outro.
Ao longo do primeiro dia, o foco será no processo de engenharia, modelagem e treinamento de redes convolucionais para visão computacional, fazendo uso prático do framework Darknet e redes YOLOv4, além de Infraestruturas como Serviço (como o Google Colaboratory) para desenvolvimento da neurocomputação.
O segundo dia será focado na teoria por trás da visão computacional, colocando um olhar mais de perto das redes neurais convolucionais profundas e cobrindo código em Python para aplicações de visão computacional.
Requisitos do minicurso:
- Python3 (com os pacotes OpenCV e NumPy);
- OpenCV (4.4 ou superior);
- Uma conta do Google;
- Conhecimentos prévios sobre programação e uso do Python;
Os usuários com máquinas poderosas (com GPGPU dedicadas) podem optar por utilizar recursos computacionais próprios ao invés de recorrer ao Google Colaboratory. Para isso, devem ter instalado também Cmake e Darknet, e é esperado que o participante possua conhecimentos mais avançados.
Responsável:
- Rafael Marinho de Andrade
