Bootcamp · Online, Pós-Laboral

Bootcamp Online Deep Learning com TensorFlow.

Bootcamp online prático de 32 horas em Deep Learning com TensorFlow 2.x e Keras, ao longo de 8 semanas. Partindo dos fundamentos de Machine Learning (regressão linear e classificação), os formandos avançam até arquiteturas avançadas como CNNs, RNNs, Transformers e GANs, culminando no deployment de modelos em produção. Cada sessão combina exposição teórica com exercícios práticos em datasets reais.

Quero inscrever-me → Ver programa

Duração

32 horas

Formato

Remote

Investimento

€375 × 2

Horários

Ter, Qua 19h–23h

Para quem é

Feito para quem quer dar o próximo passo.

Programadores com bases de Python

Exige conhecimentos básicos de programação em Python (variáveis, loops, funções); noções de álgebra linear e estatística descritiva são recomendáveis mas não obrigatórias, pois são revistas durante o curso.

Profissionais que querem entrar em Deep Learning

Quem pretende construir, treinar e implementar modelos de IA com TensorFlow e Keras, dos fundamentos de Machine Learning às arquiteturas avançadas e ao deployment em produção.

As ferramentas que vais usar

O stack que vais dominar.

TensorFlowKerasScikit-learnNumPyTensorBoardTensorFlow ServingTensorFlow LiteTensorFlow.jsTFX (TensorFlow Extended)Docker

A EDIT em números

Os números falam por nós.

2000+

Estudantes por ano

80+

Formadores no ativo

50+

Empresas clientes

13 anos

A formar em digital

Quem te acompanha

Profissionais no ativo, em aulas ao vivo.

Aprendes com quem constrói na área todos os dias. As sessões são 100% ao vivo, com interação em tempo real.

01 AP Alexsandro Pompeu Product Manager - Payments Platform (tutor do curso) · Planet

Programa · 8 módulos

O programa, módulo a módulo.

1 – Fundamentos de Machine Learning: Regressão e Classificação

›O que é Machine Learning: aprendizagem supervisionada, não supervisionada e por reforço

›Pipeline de ML: recolha de dados, feature engineering, treino, avaliação e iteração

›Regressão Linear simples e múltipla: hipótese, função de custo (MSE) e gradient descent

›Implementação de regressão linear passo a passo com NumPy

›Classificação: regressão logística, função sigmoid e decision boundary

›Métricas de avaliação: accuracy, precision, recall, F1-score, AUC-ROC e matriz de confusão

›Overfitting vs underfitting: bias-variance tradeoff e validação cruzada (k-fold)

›Introdução ao Scikit-learn: pipelines de treino e avaliação

2 – Redes Neurais: Do Percetrão ao Deep Learning

›O percetrão: modelo biológico vs modelo computacional

›Funções de ativação: Sigmoid, Tanh, ReLU, Leaky ReLU, Softmax — quando usar cada uma

›Arquitetura de uma rede neural: camadas de entrada, ocultas e de saída

›Forward propagation: do input à previsão, passo a passo

›Funções de custo: MSE para regressão, Binary Cross-Entropy e Categorical Cross-Entropy

›Backpropagation: a regra da cadeia aplicada ao treino de redes neurais

›Gradient descent e as suas variantes: batch, mini-batch e stochastic (SGD)

›Introdução ao TensorFlow 2.x: tensores, eager execution, tf.GradientTape

›Primeira rede neural com Keras: Sequential API, Dense layers, compile e fit

3 – Treino de Redes Profundas: Regularização e Otimização

›Problemas de redes profundas: vanishing e exploding gradients

›Inicialização de pesos: Xavier/Glorot e He — como evitar gradientes instáveis

›Otimizadores avançados: SGD com momentum, RMSprop, Adam, AdaGrad — comparação visual e prática

›Learning rate scheduling: step decay, exponential decay, cosine annealing e ReduceLROnPlateau

›Regularização L1 e L2 (weight decay): intuição geométrica e impacto nos pesos

›Dropout: conceito, taxa ideal e como aplicar em Keras

›Batch Normalization: normalizar ativações para estabilizar e acelerar o treino

›Early Stopping e callbacks no Keras: ModelCheckpoint, EarlyStopping, TensorBoard

›Data augmentation: transformações geométricas e de cor para aumentar o dataset

›TensorBoard: monitorização de loss, accuracy, histogramas de pesos e grafos do modelo

4 – Redes Neurais Convolucionais (CNNs) para Visão Computacional

›Intuição das convoluções: filtros como detetores de features (bordas, texturas, formas)

›Camadas fundamentais: Conv2D, MaxPooling, AveragePooling, GlobalAveragePooling e Flatten

›Hiperparâmetros: kernel size, stride, padding (same vs valid) e número de filtros

›Arquiteturas clássicas: LeNet-5, AlexNet, VGG-16 — evolução histórica e decisões de design

›ResNet e skip connections: como resolver o degradation problem em redes muito profundas

›Transfer Learning: reutilizar modelos pré-treinados (ImageNet) para novos problemas

›Fine-tuning: estratégias de descongelamento progressivo de camadas

›tf.data API: pipelines eficientes com prefetch, cache, shuffle e batch

5 – Redes Neurais Recorrentes (RNNs) & Processamento de Sequências

›Dados sequenciais: texto, séries temporais e sinais — porque é que a ordem importa

›RNN básica: unfolding, hidden state e o problema da memória de curto prazo

›LSTM (Long Short-Term Memory): cell state, gates (forget, input, output) e fluxo de informação

›GRU (Gated Recurrent Unit): simplificação do LSTM — arquitetura e quando usar cada um

›Bidirectional RNNs e stacked layers: capturar contexto nos dois sentidos

›Pré-processamento de texto: tokenização, padding, vocabulário e sequências de inteiros

›Word Embeddings: Word2Vec, GloVe e tf.keras.layers.Embedding

›Previsão de séries temporais: janelas deslizantes, normalização e walk-forward validation

6 – Arquiteturas Avançadas: Transformers, Autoencoders e GANs

›Limitações das RNNs: processamento sequencial e dificuldade com dependências longas

›Mecanismo de Atenção: intuição (query, key, value), score functions e self-attention

›Arquitetura Transformer: encoder-decoder, multi-head attention e positional encoding

›Visão geral de BERT, GPT e LLMs: como os Transformers mudaram o NLP e a IA

›Autoencoders: arquitetura encoder-decoder para compressão e reconstrução de dados

›Variational Autoencoders (VAEs): espaço latente contínuo e geração de novos dados

›GANs (Generative Adversarial Networks): o jogo entre generator e discriminator

›DCGAN: geração de imagens com convoluções — arquitetura e técnicas de estabilização

7 – Deploy de Modelos & Introdução a MLOps

›Do notebook à produção: desafios reais de deployment (latência, escala, monitorização)

›Salvamento de modelos: SavedModel format, HDF5, TF Checkpoints e versionamento

›TensorFlow Serving: servir modelos via REST API e gRPC

›TensorFlow Lite: otimização para dispositivos móveis e edge computing

›TensorFlow.js: execução de modelos no browser — casos de uso e limitações

›Otimização de modelos: quantização (post-training e quantization-aware) e pruning

›Conceitos de MLOps: versionamento de dados e modelos, CI/CD para ML, monitorização de drift

›Introdução ao TFX (TensorFlow Extended): componentes de um pipeline ML em produção

›Docker básico: containerizar um modelo para deployment reprodutível

8 – Projeto Final: Aplicação End-to-End de Deep Learning

›Definição do problema e seleção do dataset (orientação individualizada pelo formador)

›Análise exploratória dos dados (EDA) e pré-processamento

›Seleção e justificação da arquitetura: CNN, RNN, Transformer ou combinação

›Treino com regularização, otimização e monitorização via TensorBoard

›Avaliação com métricas adequadas ao problema e análise de erros (confusion matrix, exemplos mal classificados)

›Exportação do modelo para deployment (SavedModel ou TFLite)

›Apresentação final: pitch técnico de 10 minutos por aluno/grupo

›Feedback bidirecional e discussão

Horário: Ter, Qua 19h–23h · sessões ao vivo, com interação em tempo real.

O que inclui a formação:

32h

ao vivo, em remoto

módulos práticos

DGERT

certificação nº 18391

Onde trabalham os nossos alumni

5K+ alumni colocados em marcas que recrutam talento digital em Portugal.

in Verificado LinkedIn · Alumni reais ✓

Farfetch

OutSystems

Talkdesk

Feedzai

Unbabel

Sword Health

Bolt

Coverflex

Mercedes-Benz.io

Bosch

Siemens

Microsoft

Google

NOS

MEO

EDP

Galp

Worten

Sonae MC

CTT

Millennium BCP

Accenture

Deloitte Digital

McKinsey & Company

O que sais a saber fazer

No fim do curso, vais conseguir:

✓ Implementar algoritmos de Machine Learning como regressão linear e logística

✓ Compreender a base matemática e a lógica das redes neurais e do backpropagation

✓ Construir, treinar e avaliar modelos de Deep Learning com TensorFlow e Keras

✓ Melhorar a performance dos modelos com técnicas de regularização e otimização

✓ Trabalhar com CNNs e Transfer Learning em visão computacional

✓ Processar dados como texto e séries temporais com RNNs, LSTMs e GRUs

✓ Compreender mecanismos de atenção, Transformers e o impacto dos LLMs

✓ Implementar modelos generativos como Autoencoders e GANs

✓ Preparar modelos para produção com TF Serving, TF Lite e Docker

4,1 67 avaliações Google DGERT Entidade certificada nº 18391 · desde 2011 +2000 alunos por ano +80 formadores no ativo +50 empresas parceiras

Investimento

32 horas ao vivo, projeto e certificação DGERT.

Incluído na inscrição

✓ 32h de Aulas Práticas e Teóricas

✓ 32h em formato Remote Learning (live, não gravadas)

✓ Total de 32h de carga horária

✓ Certificação DGERT em formato digital (carga horária modular e total, temáticas, notas finais de cada módulo e média final)

✓ Acesso a plataforma LMS + videoconferência com interação bidirecional

✓ Programa do curso para download

Investimento

€375 × 2

€750 total · sem juros · 5% desconto a pronto pagamento

Quero inscrever-me →

Em dúvida? Fala connosco antes, 15 min, sem compromisso.

Financiamento

Sem análise de crédito e sem sinal inicial

Isento de IVA e dedutível no IRS (Art. 78.ºD)

A tua empresa pode financiar, via Fundo de Compensação do Trabalho

Verifica os dados

EDIT, outras escolas ou universidade.

Cada caminho serve um objetivo diferente. Vê, critério a critério, onde é que a EDIT faz sentido para ti, e onde outra via pode ser a melhor escolha.

Ver a comparação completa

EDIT vs outras escolas vs universidade: critério a critério
Critério	Universidade	Outras escolas	EDIT.
Formadores profissionais no ativo
Foco prático, projetos e portfólio
Duração curta e intensiva
Horário pós-laboral ou remoto
Currículo atualizado à era da IA
Certificação DGERT
Avaliação pública verificável
Financiamento 0% de juros, sem banco
Turmas pequenas
Ligação a empresas e ao mercado
Grau académico reconhecido pelo Estado

Como confirmar: avaliação no Google, certificação no registo DGERT nº 18391, formadores em weareedit.io/equipa.

Perguntas frequentes

Ainda com dúvidas?

Cheque Formação + Digital (IEFP)

Este curso é 100% reembolsável através do Cheque Formação + Digital do IEFP, mediante aprovação da candidatura. Após a conclusão da formação e submissão da documentação necessária, podes recuperar a totalidade do valor investido. O apoio destina-se a trabalhadores por conta de outrem, independentes e empresários em nome individual que cumpram os critérios do IEFP. A equipa da EDIT. apoia ao longo do processo.

Existem pré-requisitos para este curso?

Conhecimentos básicos de programação em Python (variáveis, loops, funções). Noções de álgebra linear e estatística descritiva são recomendáveis mas não obrigatórias — os conceitos matemáticos necessários são revistos durante o curso.

Este curso é certificado?

Sim, a certificação é enviada aos alunos após a conclusão da formação, em formato digital, e inclui: carga horária total, temática lecionada e informação do tutor.

Que opções de pagamento oferecem?

O pagamento do bootcamp é feito através de referência multibanco.

As aulas são gravadas?

A formação remote é realizada num formato live, promovendo a interação, dinâmica de grupo e partilha entre alunos e tutores em tempo real. As aulas não são gravadas. O acesso a conteúdos e documentação de apoio é garantido através de uma plataforma LMS aliada a uma plataforma de vídeo e áudio conferência online com interação bidirecional.

Artigos da EDIT.

Começa a aprender já hoje.

Sol, Terra e Luna: como escolher o modelo certo do ChatGPT

Ler artigo →

Inteligência artificial no trabalho: o emprego não vai acabar, mas vai mudar de dono

Ler artigo →

Marketing

A ferramenta, por si só, não decide

Ler artigo →

Design

E se o verdadeiro risco não fosse a IA?

Ler artigo →

EDIT. para Empresas

Faz esta formação com a tua equipa.

Conhecer a EDIT. para Empresas →

Fala connosco

Ajudamos-te a escolher o curso certo.

Falas diretamente com quem trata das inscrições. Ajudamos-te a perceber se esta formação é o caminho certo para ti, sem compromisso.

Francisco Freitas

Student Admissions Manager

Enviar mensagem WhatsApp →

Próxima edição

Garante o teu lugar.

Bootcamp · Online, Pós-Laboral · certificado DGERT · vagas limitadas.

Quero o meu lugar →

Newsletter EDIT.

Recebe a próxima edição.

Irei partilhar artigos semanais, entrevistas feitas na primeira pessoa com os nossos Tutores e Alumni, Cursos em pré-lançamento e algumas surpresas.

Mas o mais importante, ouvir as vossas opiniões sobre os temas que gostariam de ser abordados neste espaço, nos nossos eventos e em sala de aula.

Founder & CGO

[email protected]

Junta-te a +33.000 profissionais digitais portugueses.
Sem spam. Cancela quando quiseres.

Bootcamp Online Deep Learning com TensorFlow.

Feito para quem quer dar o próximo passo.

Programadores com bases de Python

Profissionais que querem entrar em Deep Learning

O stack que vais dominar.

Os números falam por nós.

Profissionais no ativo, em aulas ao vivo.

O programa, módulo a módulo.

1 – Fundamentos de Machine Learning: Regressão e Classificação

2 – Redes Neurais: Do Percetrão ao Deep Learning

3 – Treino de Redes Profundas: Regularização e Otimização

4 – Redes Neurais Convolucionais (CNNs) para Visão Computacional

5 – Redes Neurais Recorrentes (RNNs) & Processamento de Sequências

6 – Arquiteturas Avançadas: Transformers, Autoencoders e GANs

7 – Deploy de Modelos & Introdução a MLOps

8 – Projeto Final: Aplicação End-to-End de Deep Learning

O que inclui a formação:

No fim do curso, vais conseguir:

32 horas ao vivo, projeto e certificação DGERT.

EDIT, outras escolas ou universidade.

Ainda com dúvidas?

Começa a aprender já hoje.

Ajudamos-te a escolher o curso certo.

Garante o teu lugar.

Recebe a próxima edição.

Early Bird
10%

Bootcamp
15%