Ciência de Dados

Ciência de Dados é uma área multidisciplinar que tem como objetivo melhorar a tomada de decisão por meio da extração de conhecimento e informações dos dados. Este aperfeiçoamento tem o objetivo de apresentar metodologias, técnicas e ferramentas que possibilitem a análise e extração de conhecimento de pequenos e grandes volumes de dados. Com o auxílio da Inteligência Artificial, o conjunto de recursos disponíveis para a extração de conhecimento fica muito mais rico, sendo possível identificar padrões, gerar predições e simular cenários futuros, sempre com o intuito de minimizar o risco nas tomadas de decisão. Neste curso o aluno irá obter um sólido conhecimento sobre Aprendizado de Máquina, Estatística Aplicada, Análise e Mineração de Dados, Business Analytics e Big Data, sendo capaz de entender, identificar e desenvolver projetos completos de Análise Descritiva, Diagnóstica, Preditiva e Prescritiva. Este curso auxilia no desenvolvimento de competências críticas e analíticas dos alunos de forma prática, com projetos reais que devem ser desenvolvidos pelos alunos durante o segundo módulo.

Objetivo

Desenvolver profissionais capazes de entender e criar projetos completos em Ciência de Dados com suporte a modelos complexos de Inteligência Artificial, com o intuito de melhorar o processo de tomada de decisão com respeito a produtos e serviços oferecidos a seus clientes.

Público-alvo

Profissionais de áreas técnicas ou gerenciais que desejam compreender e utilizar Inteligência Artificial para gerar modelos mais complexos, capazes de ajudar a extrair informações e conhecimento a partir de dados, com o intuito de melhorar o processo de decisão em suas empresas ou instituições.

Diferencial

Uma sólida sequência lógica de aprendizado criada para que o aluno evolua de forma consistente e segura, sempre utilizando as ferramentas mais relevantes do mercado e com prática em problemas reais.

Mais Informações

Início do Curso
Março de 2020
Horário
Das 19h às 22h30
Dias de aula
Segundas e quartas-feiras

Investimento por módulo - Valores já atualizados para o ano de 2020
Matrícula
Os valores correspondentes aos descontos por períodos serão concedidos de acordo com a data de pagamento da taxa de Reserva
Mensalidades
5 parcelas de R$ 1.580,00

Até 18 de outubro R$ 1.280,00
Até 20 de dezembro R$ 1.380,00
Após 20 de dezembro R$ 1.580,00

DESCONTOS

Ex-aluno: 10%
Grupos (2 ou mais alunos): 10%
Associados da AEXAM (ex-alunos): 15%
Ex-aluno Mauá formado em 2018: 30%
Empresas conveniadas (a consultar)

Taxa de Reserva: R$280,00

O pagamento poderá ser efetuado por meio de boleto, cartão de débito ou crédito.
Na efetivação da matrícula essa Taxa de Reserva será deduzida do valor da matricula. Em caso de desistência da matrícula o valor da taxa de reserva não será devolvido e a retenção se faz necessária para pagamento das despesas administrativas relativas ao processo seletivo, conforme preconizado no Código de Defesa do Consumidor. Caso não haja número de alunos interessados para formação de turma, o valor correspondente a Taxa de Reserva será devolvido integralmente.

Coordenação

Tiago Sanches da Silva

Graduado em Engenharia de Computação pelo Instituto Mauá de Tecnologia (2011); Mestre em Engenharia Elétrica pela Universidade de São Paulo (2016). Atualmente é professor do Instituto Mauá de Tecnologia nos cursos de graduação e pós-graduação. Pesquisador e arquiteto de SW do Núcleo de Sistemas Embarcados (CEUN-IMT) em sistemas críticos. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial e ciência de dados aplicada, arquitetura web para aplicações na nuvem e sistemas microcontrolados. Como linha de pesquisa e estudos, tem interesse nos seguintes temas: Inteligência Artificial, Mineração de Dados, Big Data e Computação de Alto Desempenho.

Vanderlei Cunha Parro

Vanderlei C. Parro - Professor do Imt desde 1994, pesquisador visitante no Observatório de Paris no contexto da missão CoRoT da agência espacial francesa - CNES (2004 - 2006). Responsável pela participação do IMT no grupo de processamento embarcado do satélite Plato da Agência espacial europeia - ESA (atual) e no grupo de software e simulação do Telescópio Gigante de Magalhães - GMT (atual), ambos projetos financiados pela FAPESP. Consultor associado na Versor em assuntos relativos a análise de risco e anomalias.

Módulos do curso

Ciência de Dados, Técnicas e Aplicações

Big Data

30 h

Nesta disciplina o aluno aprenderá conceitos sobre Big Data de forma prática e irá coletar, limpar e analisar grandes volumes de dados usando softwares de código aberto como Hadoop e Spark. O aluno será capaz de realizar análises de dados em larga escala, predições e gerar visualizações que darão apoio a decisões orientadas a dados, ele também entenderá os desafios de aplicar ciência em cenários reais com grandes volumes de dados.

Inteligência em Negócios

30 h

Esta disciplina consiste em conectar dados e decisões de negócios. O principal objetivo é elucidar aos alunos por que certas decisões precisam ser baseadas em dados, apresentar ferramentas com plataformas reconhecidas do mercado para a área de BI.

Mineração e Análise de Dados

30 h

Esta disciplina consiste em desenvolver a capacidade técnica e analítica do aluno quanto a exploração de dados utilizando técnicas como KDD (knowledge-discovery in databases) e ferramentas de exploração, análise e visualização de dados para modelar e entender o ocorrido, com o intuito de extrair informações relevantes e conhecimentos dos dados e auxiliar a tomada de decisão baseado na análise do passado.

Projetos em Ciência de Dados

30 h

Na disciplina de Projetos em Ciência de Dados serão aplicados conceitos avançados de extração de informação e predição de cenários utilizando dados e problemas reais para empresas ou para sociedade. Neste módulo os alunos exercitarão as dimensões de Análise Preditiva e Prescritiva sobre um cenário real controlado, ou Análise Descritiva e Diagnostica sobre um grande volume de dados aplicando os conceitos de Big Data em um projeto real. O aluno deverá ser capaz de apresentar suas descobertas e insights aplicando técnicas aprendidas ao longo do curso.

Fundamentos em Ciências de Dados e Inteligência Artificial

Análise Estatística de Dados

24 h

Apresentar as ferramentas estatísticas necessárias para se compreender problemas de ciência de dados. Utilizando exemplos práticos e aplicados, é inicialmente abordado conceitos relacionados a probabilidade, versando sobre a teoria clássica, frequentista, probabilidade condicional, teorema de Bayes e modelos de probabilidade. Também é apresentado conceitos relacionados a estatística descritiva, abordando conceitos de princípios de amostragem, resumos gráficos e tabulares, tratamento de dados (análise de inconsistências na base de dados, detecção de outliers, transformação de variáveis) e verificação de ajuste de modelos. Por fim a disciplina apresentará conceitos relacionados a estatística inferencial: abordando estimação intervalar (determinação de margem de erro e dimensionamento de amostras) e os princípios dos testes estatísticos, necessários para a determinação de modelos de previsão.

Fundamentos de Aprendizagem de Máquina

36 h

Essa disciplina fornece uma introdução ao aprendizado de máquina e reconhecimento de padrões estatísticos. A disciplina se baseia em estudos de casos para que o aluno aprenda como aplicar algoritmos de aprendizado para percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas. O objetivo principal dessa disciplina é fornecer ao aluno uma visão geral da área de Aprendizado de Máquina e dos conceitos e métodos fundamentais utilizados.

Introdução a Ciência dos Dados

36 h

Esta disciplina apresenta conteúdos relacionados a análise e apresentação de dados, passando pelo ambiente de programação. A disciplina é baseada em atividades práticas onde o aluno aprende as estruturas fundamentais da linguagem de programação Python. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva e Análise Diagnóstica dentro da área de Ciência de Dados, entender o processo de coleta de dados, de transformar dados em informação, de manipular e filtrar dados, executar análises estatísticas inferenciais básicas e exibir os dados graficamente, para assim poder explorar e compreender comportamentos, tendências que ajudarão na tomada de decisões.

Redes Neurais

24 h

Essa disciplina apresenta as redes neurais artificiais. A disciplina é baseada em atividades práticas onde os alunos implementam os conceitos e métodos apreendidos. Nessa disciplina os alunos aprendem como criar, treinar e utilizar uma rede neural. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais. O objetivo principal dessa disciplina é mostrar aos alunos como redes neurais funcionam e capacitar os alunos a aplicar essas redes em suas próprias aplicações. Além disso a disciplina apresenta algumas as plataformas de desenvolvimento de redes neurais. A utilização de plataformas de desenvolvimento permite que os alunos aprendam facilmente como formular, criar e implementar problemas de aprendizado de máquina usando redes neurais.

Corpo Docente

Alcides Carlos de Araújo

Doutor na área de métodos quantitativos e informática pela FEA/USP. Possui mais de 10 anos de experiência na área de análise de dados. Atua há mais de 3 anos como cientista de dados líder na Datakron, participando de entregas de projetos de alta escala de dados nos segmentos como Telecom, energia e marketing digital.

Daniel Kashiwamura Scheffer

Bacharelado e mestrado em Estatística com a graduação e a pós-graduação obtidas no Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP). Professor dos cursos de Administração e Engenharia do Centro Universitário do Instituto Mauá de Tecnologia (CEUN-IMT). Tem grande experiência em análise de dados.

Eduardo Lobo Lustosa Cabral

Doutor em Dinâmica dos Sistemas e Controle pelo Massachusetts Institute of Technology. Mestre em Tecnologia de Reatores Nucleares pelo Instituto de Pesquisas Energéticas e Nucleares. Graduado em Engenharia Mecânica pela USP. Professor da Escola Politécnica da USP e do Instituto Mauá de Tecnologia. Atua nas áreas de inteligência artificial, redes neurais e dinâmica e controle de sistemas.

Elcio Hideiti Shiguemori

Doutor em Computação aplicada pelo Instituto Nacional de Pesquisas Espaciais. Mestre em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais. Graduado em Engenharia da Computação e em Ciências da Computação pela UBC. Pesquisador do Instituto de Estudos Avançados (IEAv) do Departamento de Ciência e Tecnologia Aeroespacial (DCTA).

Paulo Ricardo Branco da Silva

Doutorando em Engenharia Elétrica e mestre pela Universidade Federal de Santa Catarina; Mestre em Engenharia Elétrica, Universidade Federal de Santa Catarina (2015). Tem interesse em codificação, álgebra abstrata, modulação codificada, teoria da informação, esquemas de comunicação cooperativa e redes. Tem experiência na área de microcontroladores, programação, incluindo programação orientada a objetos, e em aplicações de telefonia e controle remoto. Trabalha atualmente na área de codificação de reticulado, projetando e construindo códigos de reticulado para a camada física com alta eficiência espectral.

Tiago Sanches da Silva

Graduado em Engenharia de Computação pelo Instituto Mauá de Tecnologia (2011); Mestre em Engenharia Elétrica pela Universidade de São Paulo (2016). Atualmente é professor do Instituto Mauá de Tecnologia nos cursos de graduação e pós-graduação. Pesquisador e arquiteto de SW do Núcleo de Sistemas Embarcados (CEUN-IMT) em sistemas críticos. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial e ciência de dados aplicada, arquitetura web para aplicações na nuvem e sistemas microcontrolados. Como linha de pesquisa e estudos, tem interesse nos seguintes temas: Inteligência Artificial, Mineração de Dados, Big Data e Computação de Alto Desempenho.

Vanderlei Cunha Parro

Vanderlei C. Parro - Professor do Imt desde 1994, pesquisador visitante no Observatório de Paris no contexto da missão CoRoT da agência espacial francesa - CNES (2004 - 2006). Responsável pela participação do IMT no grupo de processamento embarcado do satélite Plato da Agência espacial europeia - ESA (atual) e no grupo de software e simulação do Telescópio Gigante de Magalhães - GMT (atual), ambos projetos financiados pela FAPESP. Consultor associado na Versor em assuntos relativos a análise de risco e anomalias.

>