36h

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".

32h

Essa disciplina apresenta como construir redes neurais recorrentes para processamento de sequências temporais. O objetivo dessa disciplina é ensinar os alunos como funcionam as redes neurais recorrentes e suas variantes. 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 análise de séries temporais usando as plataformas de desenvolvimento Keras e TensorFlow.

32h

Essa disciplina apresenta as redes neurais convolucionais e suas aplicações a imagens e vídeos. O objetivo dessa disciplina é ensinar os alunos como construir redes neurais convolucionais, 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.

32h

O processamento de linguagem natural (PLN) é a subárea da inteligência artificial que estuda a capacidade e as limitações de uma máquina em entender a linguagem dos seres humanos. Esta disciplina aborda normalização de texto, correção ortográfica, “stemização” e “lematização”, idf-tf, extração de contexto, sumarização, “word embedding”, tais como, Word2Vec, FastText, representação de frases com BoW, análise de sentimentos, “chat bots” e utilização de redes neurais para modelagem de linguagem natural, e realizar operações de tradução e sugestão de palavras em contexto, entre outras.

28h

Esta disciplina fornecerá a capacidade técnica e analítica ao aluno para a exploração de dados utilizando técnicas estatísticas e ferramentas de visualização de dados. Ademais, com o objetivo de auxiliar a fundamentação na tomada de decisão de forma assertiva ao negócio, essa disciplina fornecerá uma base de matemática, probabilidade e estatística direcionada à análise de dados, permitindo a realização de análise descritiva e diagnóstica. Os três pontos principais dessa disciplina são: (1) utilização de ferramentas para visualização de dados nas bibliotecas da linguagem Python; (2) obtenção, limpeza e tratamento de dados de diferentes fontes, tais como, base de dados e arquivos como CSVs entre outros; (3) análise estatística de dados, visando a modelagem e desenvolvimento do pensamento crítico do aluno para que seja capaz de extrair insights que auxiliem gestores e executivos em suas decisões.

32h

Esta disciplina apresenta os conceitos fundamentais de aprendizado de máquina (Machine Learning) no contexto da Inteligência Artificial. O objetivo principal da disciplina é fornecer ao aluno uma visão geral da área de aprendizado de máquina, destacando aspectos históricos, abordagens clássicas e modernas, campos de aplicação, assim como tendências e perspectivas futuras. Os métodos estudados consistem em: regressão e classificação; agrupamento e similaridade; análise de componentes principais (PCA); regressão linear Bayesiana e classificadores de Bayes; classificadores tipo árvore e árvores de decisão. O aluno será capaz de entender os diversos métodos de aprendizado de máquina para que seja capaz de escolher a melhor solução para um determinado cenário/problema, simulado ou real, bem como conseguir implementar a solução com ferramentas de mercado, como a biblioteca Scikit-Learn.

20h

Esta disciplina consiste em conectar dados e decisões de negócios. O principal objetivo é elucidar aos alunos porque certas decisões precisam ser baseadas em dados. Nesta disciplina o aluno será desafiado a observar a relação dos dados em outras dimensões da sociedade, sendo abordados conceitos como privacidade de dados, impacto nas decisões e empregabilidade nas empresas e cultura digital. O aluno será capaz de alinhar os conceitos técnicos aprendidos com os objetivos de criação de valor por meio de dados, além de desenvolver habilidades para comunicação de resultados analíticos. Além disso, é objetivo dessa disciplina apresentar ferramentas com plataformas reconhecidas do mercado para a área de BI.

20h

Esta disciplina consiste em desenvolver a capacidade técnica e analítica do aluno para a exploração de dados e geração de valor utilizando técnicas como KDD (knowledge-discovery in databases) e ferramentas de obtenção, exploração, análise e visualização de dados para modelar e entender problemas reais de empresas, com o intuito de extrair informações relevantes e conhecimentos dos dados e auxiliar a tomada de decisão baseado na análise do passado. Nessa disciplina o aluno aprende a coletar dados, realizar limpeza e processamento de dados para que possam ser usados para desenvolvimento de modelos e tomadas de decisão.

32h

Esta disciplina apresenta a interseção entre a Análise Estatística de Dados, Mineração de Dados, Aprendizado de Máquina e Inteligência de Negócios. Esses conhecimentos serão utilizados para o entendimento do problema e levantamento de requisitos de análise de dados. Adicionalmente, serão aprendidos os principais algoritmos de Aprendizado de Máquina como XGBoost, Decision Tree e Randon Forest. Desta forma, os alunos estarão aptos a realizar uma análise descritiva e diagnóstica utilizando as ferramentas de análise estatística e aplicar modelos de predição utilizando dados. O aluno deverá ser capaz de apresentar suas descobertas e insights de maneira convincente e visual, tendo em vista as características do negócio em estudo.

32h

O Aprendizagem por Reforço é o treinamento de modelos de inteligência artificial onde um agente interage com o ambiente coletando dados e tomando decisões. O agente aprende a atingir uma meta em um ambiente incerto e potencialmente complexo, essa técnica é extremamente poderosa uma vez que não necessita de um conjunto de dados desenvolvido especificamente para o seu treinamento. São apresentados conceitos como agentes, ambiente, estado, política de ações, recompensas e algoritmos, tais como, “Markov Decision Process” (MDP), “Q-Learning” e métodos “Value-Based”, “Policy-Based” e “Model-Based”.

32h

Desenvolvimento e “deploy” de sistemas com IA e CD. Uma das formas mais utilizadas para “deploy” é via “web services” REST. Essa disciplina apresenta todos os conceitos de desenvolvimento “back-end” e da arquitetura REST. Outro ponto importante é o desenvolvimento de aplicações mobile com IA incorporado em Javascript e também aplicações web que consomem serviços.

28h

Esta disciplina tem foco no profissional que gerencia sistemas voltados a dados, com o objetivo de deixá-los acessíveis para as mais diversas áreas que dependem de dados como principal fonte de trabalho. O aluno aprenderá sobre governança de dados, modelagem de dados para “data warehouse”, gerenciamento de dados relacionais e não relacionais, “data lakes”, criação de “data marts” e plataformas escaláveis para dados.

16h

Modelos gerativos consistem em métodos da inteligência artificial capazes de criar novas imagens, vídeos, textos e músicas. O processo de geração de novos dados é uma tarefa de aprendizado não supervisionado que envolve descobrir e aprender automaticamente padrões nos dados de entrada de forma que o modelo possa ser usado para gerar ou produzir novos exemplos similares aos dados originais. Três métodos baseados em redes neurais deep learning são apresentados nessa disciplina: autoencoders (AE), autoencoders variacionais (AEV) e redes neurais adversárias generativas (GANs). 

32h

O processamento de linguagem natural (PLN) é a subárea da inteligência artificial que estuda a capacidade e as limitações de uma máquina em entender a linguagem dos seres humanos. Esta disciplina aborda normalização de texto, correção ortográfica, “stemização” e “lematização”, idf-tf, extração de contexto, sumarização, “word embedding”, tais como, Word2Vec, FastText, representação de frases com BoW, análise de sentimentos, “chat bots” e utilização de redes neurais para modelagem de linguagem natural, e realizar operações de tradução e sugestão de palavras em contexto, entre outras.