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.

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
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.

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.

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

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

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.

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).

Paulo Ricardo Branco da Silva

Doutorando em Engenharia Elétrica e mestre pela Universidade Federal de Santa Catarina; Mestre em Engenharia Elétrica, Universidade Federal de Santa Catarina (2015). Tem interesse em codificação, álgebra abstrata, modulação codificada, teoria da informação, esquemas de comunicação cooperativa e redes. Tem experiência na área de microcontroladores, programação, incluindo programação orientada a objetos, e em aplicações de telefonia e controle remoto. Trabalha atualmente na área de codificação de reticulado, projetando e construindo códigos de reticulado para a camada física com alta eficiência espectral.

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.

>