Ciência de Dados e Inteligência Artificial

Objetivo

Ciência de Dados e Inteligência Artificial são duas áreas complementares que combinadas permitem o desenvolvimento de soluções para problemas complexos. Ciência de Dados é uma área multidisciplinar que tem como objetivo melhorar a tomada de decisão nas empresas e instituições por meios da extração de conhecimento e informações de dados. Métodos da Inteligência Artificial permitem aprimorar e desenvolver novos produtos, novos serviços e novos negócios baseados em conhecimento. Esse curso de especialização tem o objetivo apresentar metodologias, técnicas e ferramentas que possibilitem a análise e extração de conhecimento de pequenos e grandes volumes de dados e o seu uso para desenvolver sistemas inteligentes. A combinação da Inteligência Artificial com a Ciência de Dados oferece um conjunto muito rico de recursos para a extração e utilização de conhecimento, auxiliando nas tomadas de decisão e no desenvolvimento de novos negócios. Neste curso o aluno irá obter um sólido conhecimento teórico e prático sobre Ciência de Dados e Inteligência Artificial. 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 das áreas de Ciência de Dados e Inteligência Artificial. Em apenas três semestres o profissional estará preparado para trabalhar com essas tecnologias que estão revolucionando o cotidiano das empresas e das pessoas.
O curso de Especialização é composto por três módulos de 120 horas cada: Ciência de Dados, Técnicas e Aplicações (120 h),  Fundamentos em Ciências de Dados e Inteligência Artificial (120h) e Inteligência Artificial com Deep-Learning (120 h).

Público-alvo

Profissionais de areas técnicas ou gerenciais que desejam entender como extrair informações e conhecimento a partir de dados, com o intuito de desenvolver novos negócios, novos produtos e novos serviços, 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 da Ciência de Dados e da Inteligência Artificial.

Diferencial

O curso consiste de uma oportunidade de especialização 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 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
Agosto de 2020
Dias e Horários de aula
Campus São Caetano do Sul - Módulo: Ciência de Dados, Técnicas e Aplicações - Terças e quintas-feiras 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 junho R$ 1.280,00 
Até 31 de julho R$ 1.380,00 
Após 31 de julho 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.

 

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.

Vanderlei Cunha Parro

Professor titular do IMT, pesquisador visitante no Observatório de Paris (2004-2006) e bolsista de produtividade do CNPq. Coordenador da participação do IMT nos projetos: Plato (ESA - Agência Espacial Europeia), Telescópio Gigante de Magalhães - EUA e Hires (ESO - Europa), os dois primeiros com financiamento Fapesp.

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

Introdução a Ciência dos Dados

32 h

A disciplina irá apresentar conceitos relacionados a extração de conhecimento a partir dos dados, com o intuito de basear as decisões de negócio em dados. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva, Análise Diagnóstica e Preditiva 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. 

Machine Learning - Métodos Não Probabilísticos

28 h

O objetivo principal dessa disciplina é fornecer uma visão geral da área de Aprendizado de Máquina e dos principais conceitos e métodos utilizados em problemas de natureza não probabilística. A disciplina se baseia em estudos de casos em que possam ser aplicados algoritmos de aprendizado para situações de percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas.

Machine Learning – Métodos Probabilísticos

32 h

Modelagem de problemas e soluções que envolvam aspectos de natureza probabilística. Exploração da abordagem bayesiana e cadeias de Markov na modelagem e sintonia de parâmetros a partir de base de dados.  Teoria de probabilidades e a variável tempo: regressão e análise de tendência. Trabalhos do grupo: https://epidemicapp-280600.web.app/ (Aplicação para CoViD19) e https://corot-contributions.readthedocs.io/ (Detecção de exoplanetas).

Python para Ciência de Dados e Inteligência Artificial

28 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, bem como o uso de bibliotecas para análise e exibição de dados. 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.

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

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.

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.

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.

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.

Vanderlei Cunha Parro

Professor titular do IMT, pesquisador visitante no Observatório de Paris (2004-2006) e bolsista de produtividade do CNPq. Coordenador da participação do IMT nos projetos: Plato (ESA - Agência Espacial Europeia), Telescópio Gigante de Magalhães - EUA e Hires (ESO - Europa), os dois primeiros com financiamento Fapesp.

Wilson Inácio Pereira

Engenheiro eletricista pelo Instituto Mauá de Tecnologia, 2000 e Pós-Graduado em Docência no Ensino Superior pela Universidade Municipal de São Caetano do Sul (USCS), 2011. Consultor especialista em modelagem matemática, pesquisa operacional e simulação de eventos discretos do Centro de Pesquisas do IMT e da empresa Simulate Tecnologia de Simulação. Atuou como professor do Curso de Engenharia de Produção da Escola de Engenharia Mauá por 18 anos.

>