Arquitetura de Soluções para Inteligência Artificial e Dados

Todos os setores econômicos mundiais já perceberam que todo tipo de decisão que não seja tomada orientada a dados (Data-driven decision making) incorpora um risco alto de erro, o que não é mais uma opção devido à alta competitividade do mercado. Os dados de uma empresa é, atualmente, o asset mais valioso que ela possui. Evidentemente, esse valor está associado ao conhecimento escondido nos dados, conseguir lapidar e transformá-los em conhecimento, tornou-se uma habilidade fundamental para as empresas. Esta especialização possui o objetivo de formar profissionais capazes de explorar, analisar e extrair insights a partir de dados, dando apoio a tomada de decisão de empresas de áreas operacionais e gerenciais. Um arquiteto de solução em IA e Dados é capaz de projetar, definir e implementar soluções computacionais complexas para sistemas de Inteligência Artificial e Ciência de Dados, realizando deploy completo de projetos complexos. Neste curso será abordado técnicas avançadas de Inteligencia Artificial e de análise de dados, fornecendo uma formação completa nessas áreas.

O curso de Especialização em Arquitetura de Soluções em Inteligência Artificial e Dados é composto por três módulos de 120 horas cada: Ciência de Dados, Técnicas e Aplicações (120 h),  Inteligência Artificial com Deep-Learning (120 h) e Técnicas Avançadas de IA e Computação (120h).

Objetivo
Explorar aspectos técnicos relevantes no dia a dia de um profissional da área de Dados (IA e Ciência de Dados), o curso pretende apresentar problemas reais aos alunos, ensinando seus tópicos enquanto trabalho no problema (PBL). Ao se formar o aluno será capaz de trabalhar em projetos de Inteligência Artificial nas áreas de aprendizado supervisionado, não supervisionado e aprendizado por reforço, aplicados em problemas de classificação, series temporais, processamento de imagem, processamento de linguagem natural, regressão e segmentação. O aluno também será capaz de realizar análises descritivas, diagnosticas, preditivas e prescritivas com base em dados, e projetar a arquitetura de soluções computacionais com o intuito de viabilizar o projeto de IA e de Dados como produto.

Público-Alvo
Profissionais de áreas técnicas ou gerenciais que já possuem conhecimento básico em Aprendizado de Máquina e Python, que desejam entender como extrair informações e conhecimento a partir de dados utilizando IA, além de ser capaz de definir, projetar e implementar soluções computacionais capazes de servir ou gerenciar sistemas de Inteligência Artificial e Ciência de Dados, além de melhorar o processo de decisão em suas empresas ou instituições. É ideal para o profissional criativo e prático que busca obter vantagem dos atuais e futuros avanços em Ciência de Dados e Inteligência Artificial.

Diferencial
O curso consiste de uma oportunidade de especialização oferecida de forma dosada e gradativa, com muitas atividades práticas e com problemas de mercado. Permitindo ao participante aprender com detalhes novas tecnologias que estão revolucionando a forma como a informação e 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, utilizando as ferramentas mais utilizadas do mercado e com prática em problemas reais.

Mais Informações

Início do Curso
Março de 2021
Horário
Dias e Horários de aula
Módulo: 
Ciência de Dados, Técnicas e Aplicações - Terças e quintas-feiras, das 19h às 22h30
Módulo: Inteligência Artificial - Terças e quintas-feiras, das 19h às 22h30
Módulo: Técnicas Avançadas de IA e Computação - Segundas e quartas, das 19h às 22h30

Investimento por Módulo (120 horas)
Matrícula
O valor correspondente ao desconto por período (somente matrícula) é concedido de acordo com a data de pagamento da taxa de Reserva
Mensalidades
5 parcelas de R$ 1.580,00*

Até 30 de outubro R$ 1.280,00 
Até 30 de novembro R$ 1.380,00 
Após 30 de novembro R$ 1.580,00

DESCONTOS

Ex-aluno graduado na Mauá: 10%
Grupos (2 ou mais alunos): 10%
Associados da AEXAM (ex-alunos): 15%
Ex-aluno graduado na Mauá em 2019: 30%
Empresas conveniadas (a consultar)

Veja opção de financiamento
por módulo
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 à Taxa de Reserva será devolvido integralmente.

*Valores já atualizados para 2021, sujeitos a correção por índices inflacionários para o período de 2022

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.

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.

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.

Inteligência Artificial com Deep-learning

Ferramentas de Desenvolvimento de Redes Neurais

32 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

36 h

Apresenta como construir redes neurais convolucionais e redes GANs (“Generative Adversarial Networks”) e suas aplicações 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 Séries Temporais

28 h

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 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 análise de séries temporais usando as plataformas de desenvolvimento Keras e TensorFlow.

Serviços de Software de Inteligência Artificial

24 h

Existem diversas soluções prontas de serviços de software na área de inteligência artificial, que podem ser utilizadas para desenvolver novos produtos. Essa disciplina apresenta como realizar requisições de serviços de software via internet e como utilizar serviços de software de inteligência artificial. Além disso, apresenta como incorporar esses serviços de software em novos produtos e soluções.

Técnicas Avançadas de IA e Computação

Aprendizado por reforço

32 h

O Aprendizagem por Reforço é o treinamento de modelos de inteligência artificial para tomar 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”.

Desenvolvimento de sistemas de IA/CD (Web Services, Web App e Mobile)

28 h

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.

Engenharia de Dados

28 h

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.

Processamento Natural de Linguagem (PLN)

32 h

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 recorrentes para sugestão de palavras em contexto.

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 Henrique Miguel de Souza

Técnico em Eletrotécnica pelo Instituto Federal de Educação, Ciência e Tecnologia de São Paulo (2012), Bacharel em Ciência e Tecnologia pela UFABC (2016), Engenheiro de Gestão pela UFABC (2018) e Mestre em Engenharia da Informação pela UFABC (2018). Atualmente cursando Doutorado em Engenharia da Informação pela UFABC, atuando em aplicações de Inteligência Artificial à Econometria. Atua como Data Scientist em projetos do Mercado Financeiro, Telecomunicações, Agrobusiness, dentre outras áreas. Atua também como docente das áreas de Inteligência Artificial e Análise de Dados na Faculdade de Tecnologia Termomecânica (FTT), para cursos de graduação e pós-graduação. Tem interesse nas áreas de Estatística Aplicada, Inteligência Artificial, Machine Learning, Engenharia de Dados e Big Data.

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.

Lucas Pereira Cotrim

Graduado em Engenharia Mecatrônica pela Escola Politécnica da Universidade de São Paulo (2019), realizou intercâmbio como bolsista através do programa de Parcerias Estratégicas da USP na Technische Universität München (2017-2018) com foco em Inteligência Artificial e Aprendizado de Máquina. Atualmente cursa Mestrado em Engenharia de Controle e Automação Mecânica no Tanque de Provas Numérico da USP (TPN-USP) em projeto da Petrobrás com foco na aplicação de técnicas de Inteligência Artificial para previsão da dinâmica de UEPs.

Marcos Menon José

Graduado em Engenharia Mecatrônica pela Escola Politécnica da Universidade de São Paulo (2019) e intercâmbio pelo programa de Aproveitamento de Estudos focado de inteligência artificial e sistemas robóticos na Universitat Politècnica de Catalunya (2017-2018). Atualmente, cursa mestrado em Engenharia da Computação na USP como bolsista pelo Centro de Ciências de Dados C2D, com pesquisa em técnicas de Aprendizado por Reforço e suas aplicações.

Murilo Zanini de Carvalho

Possui graduação em Tecnologia Eletrônica - ênfase em Automação Industrial pela Faculdade de Tecnologia de São Bernardo do Campo (FATEC-SBC) em 2009 e em Tecnologia Mecatrônica pela Faculdade SENAI de Tecnologia Mecatrônica em 2011, com mestrado em Engenharia da Informação pela Universidade Federal do ABC (UFABC, Santo André, SP) em 2012. Atualmente é professor no Instituto Mauá de Tecnologia e na Faculdade de Tecnologia de Santo André. Tem experiência na área de Ciência da Computação, Robótica e Mecatrônica, atuando principalmente nos seguintes temas: Programação de Dispositivos Móveis Nativos e Híbridos, Paradigmas de Programação, Algoritmos e Estrutura de Dados, Robôs Móveis, Sistemas Multi Robóticos, Sistemas Embarcados, Dispositivos Inteligentes, Aplicações com Internet das Coisas , Inteligência Artificia e Aprendizado de Máquina.

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.

>