...
Início
Março de 2024
Horário

Módulo: Ciência de Dados, Técnicas e Aplicações - Segundas e quartas-feiras, das 19h às 22h30
Módulo: Inteligência Artificial com Deep-Learning - Terças e quintas-feiras, das 19h às 22h30

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 132 horas cada: Ciência de Dados, Técnicas e Aplicações (132 h),  Inteligência Artificial com Deep-Learning (132 h) e Técnicas de Inteligência Artificial e Computação (132 h).

Público-alvo

Profissionais de áreas 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.

Carga Horária

396

Matrícula

Os valores correspondentes aos descontos por períodos serão concedidos de acordo com a data de pagamento da taxa de Reserva

Até 31 de outubro R$ 1.335,00
Até 30 de novembro R$ 1.420,00 
Até 31 de dezembro R$ 1.510,00 
Após 31 de dezembro R$ 1.780,00   

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 2023: 30%
Empresas conveniadas (a consultar)

Descontos somente sobre as 05 parcelas.

Investimento

Matricula + 5 parcelas de R$ 1.780,00*
Condições especiais para ex-alunos, grupos e empresas conveniadas

*Investimento por módulo (120 horas)

Taxa de Reserva: R$ 300,00

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.

Coordenadores

Abrir informações do corpo docente
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.
Abrir informações do corpo docente
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 de cursos



Análise Estatística de Dados
32h
Abrir mais informações da disciplina

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.

Aprendizado de máquina
36h
Abrir mais informações da disciplina

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.

Inteligência em Negócios
20h
Abrir mais informações da disciplina

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.

Mineração de dados
20h
Abrir mais informações da disciplina

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.

Projetos em Ciência de Dados
24h
Abrir mais informações da disciplina

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.

Fundamentos de inteligência artificial
36h
Abrir mais informações da disciplina

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".

Inteligência artificial aplicada à séries temporais
32h
Abrir mais informações da disciplina

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.

Inteligência artificial aplicada à visão computacional
32h
Abrir mais informações da disciplina

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.

Processamento Natural de Linguagem (PLN)
32h
Abrir mais informações da disciplina

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.

Aprendizado por reforço
32h
Abrir mais informações da disciplina

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”.

Engenharia de dados e Big Data
32h
Abrir mais informações da disciplina

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. 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.

Modelos generativos
36h
Abrir mais informações da disciplina

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. Quatro métodos baseados em redes neurais deep learning são apresentados nessa disciplina: autoencoders (AE), autoencoders variacionais (AEV); redes neurais adversárias generativas (GANs) e modelos de difusão.

Serviços de software
32h
Abrir mais informações da disciplina

Essa disciplina apresenta como realizar requisições de serviços de software via internet, como utilizar serviços de software de inteligência artificial e como incorporar esses serviços de software em novos produtos e soluções. Além disso, apresenta o 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.

Abrir informações do 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.

Abrir informações do corpo docente
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.

Abrir informações do corpo docente
Moisés José dos Santos Freitas

Possui formação em Tecnologia em Radiologia pela Faculdade São Gabriel, mestrado em Engenharia de Computação e Sistemas pela Universidade Estadual do Maranhão (UEMA) e atualmente é aluno de doutorado em Ciências e Tecnologias Espaciais no Instituto Tecnológico de Aeronáutica (ITA). Sua pesquisa durante o doutorado está focada no monitoramento e simulação de irregularidades eletrônicas em plasma ionosférico utilizando sistemas embarcados, tecnologia IoT e deep learning. Ele também atua como pesquisador no Instituto de Estudos Avançados (IEAv), onde trabalha com fusão de dados para sistemas de navegação em veículos aéreos autônomos. Moisés possui experiência como professor na Universidade Anhembi-Morumbi, lecionando disciplinas relacionadas à Inteligência Artificial e programação. Ele também participa de iniciativas como o ITA Rocket Design e o ITACUBE, participando do desenvolvimento de foguetes e nanosatélites, respectivamente. Sua trajetória acadêmica é complementada por publicações em revistas como Advances in Space Research e apresentações em conferências internacionais, como o IEEE EUROCON. Suas habilidades incluem programação em várias linguagens, como C++, Java, C# e Python, e conhecimentos em áreas como IoT, Sistemas Embarcados, Deep Learning e Visão Computacional.