Inteligência Artificial

Esse curso apresenta os fundamentos de Ciência de Dados e a área da Inteligência Artificial usando redes neurais artificiais e métodos de Aprendizado de Máquina. Ciência de Dados e Inteligência Artificial são duas áreas complementares que combinadas permitem o desenvolvimento de soluções para problemas complexos. O curso é fundamentado em atividades práticas onde o aluno tem contato real com diversos aspectos das áreas de redes neurais e ciência de dados que estão revolucionando o mundo atual. Além das atividades práticas, o curso aborda também os aspectos teóricos, de forma a permitir futuros aprofundamentos.

Objetivo

Apresentar a área inteligência artificial usando redes neurais artificiais e os fundamentos de ciência de dados de forma a capacitar profissionais para entender e criar soluções baseadas em Inteligência Artificial com suporte da Ciência de Dados.

Público-alvo

Esse curso é dirigido aos profissionais que buscam entender e conhecer as oportunidades criadas por essas novas tecnologias. É ideal para o profissional criativo e prático que busca obter vantagem dos atuais e futuros avanços da inteligência artificial, ou que desejam se atualizar nessa área. É dirigido aos profissionais que atuam ou desejam atuar na área de inteligência artificial e iniciar seu aprimoramento em ciência de dados desenvolvendo novos negócios, novos produtos e novos dispositivos que incorporam essas tecnologias. É também dirigido aos profissionais que desejam incorporar sistemas de inteligência artificial em suas empresas de forma a melhorar e aperfeiçoar o seu desempenho.

Diferencial

O curso consiste de uma oportunidade de aperfeiçoamento oferecida de forma dosada e gradativa, com muitas atividades práticas, que permitem ao participante aprender com detalhes novas tecnologias que estão revolucionando a forma como os computadores são utilizados. O curso é organizado de forma a não apenas informar os participantes, mas realmente instrumentalizá-los para aplicarem na prática seus conhecimentos no dia a dia de seu trabalho. A estrutura do curso é voltada para as atuais necessidades do mercado, contemplando os diversos aspectos da área de inteligência artificial. Em apenas dois semestres o profissional estará preparado para trabalhar com essa tecnologia que está cada vez mais presente no cotidiano e nas empresas.

Mais Informações

Início do Curso
Março de 2020
Dias de aula
Módulo: Fundamentos em Ciência de Dados e Inteligência Artificial - Segundas e quartas-feiras das 19h às 22h30
Módulo: Inteligência Artificial com Deep-Learning - Terças e quintas-feiras das 19h às 22h30

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

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.

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

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.

Inteligência Artificial com Deep-learning

Ferramentas de Desenvolvimento de Redes Neurais

28 h

Essa disciplina apresenta os fundamentos de "deep-learning" e o uso das bibliotecas Keras e TensorFlow, que são específicas para o desenvolvimento de redes neurais artificiais. Nessa disciplina os alunos aprendem como criar, treinar e utilizar uma rede neural "deep-learning". A disciplina se baseia em vários estudos de casos para que os alunos aprendam como aplicar na prática redes "deep-learning" em várias áreas do conhecimento. O objetivo principal dessa disciplina é mostrar aos alunos como redes neurais tipo "deep-learning" realmente funcionam e capacitar os alunos a aplicar essas redes em suas próprias aplicações. A utilização do Keras e TensorFlow permite que os alunos aprendam facilmente como formular, criar e implementar problemas de aprendizado de máquina usando redes "deep-learning".

Redes Neurais Convolucionais e Visão Computacional

32 h

Essa disciplina apresenta como construir redes neurais convolucionais e sua aplicação a imagens e vídeos. O objetivo dessa disciplina é ensinar os alunos como construir uma rede neural convolucional, suas principais variações e como aplicar esse tipo de rede em tarefas de processamento de imagens e vídeos. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais convolucionais "deep-learning" para detecção e reconhecimento visual usando as plataformas de desenvolvimento Keras e TensorFlow.

Redes Neurais Recorrentes e Processamento de Linguagem Natural

32 h

Essa disciplina apresenta como construir redes neurais recorrentes para processamento de sequências temporais, processamento de linguagem natural, música e áudio. O objetivo dessa disciplina é ensinar os alunos como funcionam as redes neurais recorrentes e suas variantes usuais, tais como, GRU e LSTM. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais recorrentes "deep-learning" para problemas de linguagem natural, áudio, música e reconhecimento de fala usando as plataformas de desenvolvimento Keras e TensorFlow.

Tópicos Avançados de Inteligência Artificial

28 h

O potencial da inteligência artificial de imitar o processo de pensamento humano vai além de tarefas passivas e repetitivas, as redes neurais "deep-learning" são também capazes de atividades criativas. Essa disciplina apresenta como aplicar redes neurais para realizar tarefas criativas, tais como, criar uma obra de arte e desenvolver "chatbots". Além disso, essa disciplina ensina a etapa final de desenvolvimento de um sistema inteligente, que é a sua transformação em um produto comercial realizando o "deploy" da solução em um website.

Corpo Docente

Anderson Harayashiki Moreira

Doutor em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Mestre em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Graduado em Engenharia de Controle e Automação pela Mauá. Desenvolve atividades e pesquisas na área de robótica autônoma móvel, sistemas de controle, robótica industrial e sistemas microcontrolados.

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).

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.

>