Introdução ao Aprendizado de Máquina (Machine Learning);

Conceitos básicos de Sistemas Especialistas;

Algoritmos de Aprendizado Supervisionado;

Algoritmos de Aprendizado Não-supervisionado; 

Conceitos de Classificação e regressão;

Sistemas de recomendação; 

Redes Neurais e Deep Learning; 

Aprendizado por Reforço (Reinforcement Learning); 

Processamento de Texto e Análise de Sentimentos;

Principais aplicações de Aprendizado de Máquina;

Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.

Desenvolver uma aplicação de aprendizado de máquina para modelos de classificação e regressão.

Desenvolver uma aplicação que utilize diferentes modelos de aprendizado de máquina para classificação.

Introdução à Modelagem Preditiva;

Passos para a construção de um Modelo Preditivo;

Resampling, Boosting;

Algoritmos para construção de Modelos Preditivos;

Comparação entre modelos;

Aplicações de Modelos Preditivos;

Séries temporais;

Modelos paramétricos para a análise de séries temporais;

RNR e CNN para a previsão de séries temporais.

Desenvolver uma aplicação de análise preditiva utilizando o google colab.

Desenvolver uma aplicação de análise preditiva através de dados de séries temporais. (bolsa de valores, variação de temperaturas etc)

Cross-Validation para validação e seleção de modelos;

Estimativa de desempenho de modelos;

Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento;

Métricas multilabel;

Escolha de algoritmos; 

Configuração/Parametrização adequada de algoritmos;

Tuning, Randomized Parameter, Optimization, Força bruta, Exhaustive Grid Search. 

Medidas de qualidade;

Avaliação da qualidade de uma solução;

Curvas de validação e Curvas de aprendizado.

Aplicar os conceitos de sintonia de hiperparâmetros para a melhoria de desempenho dos algoritmos.

Utilizar diferentes modelos para a classificação ou regressão e mostrar qual deve ser a melhor escolha através das métricas de desempenho e sintonia de hiperparâmetros.

Algoritmos de aprendizado de máquina supervisionado e não supervisionado;

Redes neurais artificiais;

Deep Learning;

Exploração e generalização;

Aprendizado de Máquina por reforço online e batch;

Teoria dos jogos;

Agente e multiagente;

Processo de decisão de Markov (MDP);

Aplicações.

Deploy de modelos (flask/django).

Aplicar algoritmos baseados em redes neurais artificiais para a solução de problemas de classificação e regressão.

Aplicar os conceitos de redes neurais artificiais, em deep learning, e aprendizado por reforço para a solução de problemas complexos.

Introdução, ordem cronológica e história das Redes Neurais Artificiais;

Características básicas de Redes Neurais Artificiais;

Estrutura do neurônio artificial;

Funções de Ativação, Perda e Custo;

Descida do Gradiente;

Learning Rate;

O modelo MCP;

Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não-

Supervisionado);

Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);

AlexNet;

Algoritmo Backpropagation;

Redes de Função de Base Radial;

GAN, GRU e LSTM;

Aplicações de Redes Neurais Artificiais;

Reconhecimento de padrões;

Classificação de imagens;

Séries Temporais;

Geração de conteúdo;

Precificação Dinâmica;

Convolutional Neural Networks (CNN);

Definição da quantidade de camadas e do número de neurônios;

Redes Neurais Recorrentes (RNR) e Recursivas (Recurrent and Recursive Neural Networks).

Aplicar os conceitos de deep learning para a solução de problemas complexos. Esse trabalho de mostrar o “poder” do deep learning.

Aplicar a rede CNN para a classificação de imagens e comparar o desempenho dessa classificação com outros algoritmos de ML.

Introdução ao Processamento da Linguagem Natural;

Estrutura e sintaxe da linguagem;

Técnicas de pré-processamento de textos;

Word2Vec;

BagOfWords;

Glove;

Arquitetura de Processamento da Linguagem Natural;

Coleta de dados Web e redes sociais;

Análise de Sentimento;

Análise semântica;

Desambiguação;

Processamento de textos;

Tradução de textos

Aplicar os conceitos de pré-processamento de textos para a construção de modelos de aprendizado.

Aplicar os conceitos do aprendizado de máquina para a análise de sentimento.

Introdução aos sistemas de recomendação;

Métodos para recomendações; 

Medidas de similaridade; 

Amostragem;

Dimensão reduzida;

Recomendação por associação;

Filtragem Colaborativa para recomendação; 

Filtragem baseada em conteúdo; 

Filtragem Demográfica;

Agrupamento K-means aplicado à Sistemas de Recomendação; 

Análise de Correlação aplicada à Sistemas de Recomendação;

Métrica para avaliação de sistemas de recomendação.

Aplicar os conceitos de similaridade para a construção de sistemas de recomendação.

Avaliar diferentes algoritmos e selecionar o mais adequado para a construção de sistemas de recomendação.

Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/gateways);

Elementos constituintes e características dos dispositivos IoT;

Particularidades dos dados gerados pelos dispositivos IoT;

Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data

warehouse etc);

Computação em nuvem, neblina e edge na IoT;

Dispositivos para IoT (Arduino e Raspberry Pi); 

Análise de dados em dispositivos IoT; 

Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e governamental;

Importância do aprendizado de máquina para a IoT;

Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.

Aplicação de modelos de aprendizado de máquina para a identificação de anomalias em dados coletados por sensores.

Criar um BMC, um PMC e uma lista de OKR´s para um projeto, utilizando alguma plataforma gratuita (Trello, Canvanizer, Jira, etc).

A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado. 

É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. No PA, você será apresentado para problemas com alto grau de incerteza e o desafio será propor ideias inovadoras para solucioná-los. 

O projeto substitui o tradicional Trabalho de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor, aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.

Ao longo do PA, você terá dinâmicas de grupo e orientação personalizada para auxiliá-lo(a) nesta etapa.

Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação chancelado pelo MEC e terá ainda mais habilidades técnicas para alavancar sua carreira. 

Introdução ao Aprendizado de Máquina (Machine Learning);

Conceitos básicos de Sistemas Especialistas;

Algoritmos de Aprendizado Supervisionado;

Algoritmos de Aprendizado Não-supervisionado; 

Conceitos de Classificação e regressão;

Sistemas de recomendação; 

Redes Neurais e Deep Learning; 

Aprendizado por Reforço (Reinforcement Learning); 

Processamento de Texto e Análise de Sentimentos;

Principais aplicações de Aprendizado de Máquina;

Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.

Desenvolver uma aplicação de aprendizado de máquina para modelos de classificação e regressão.

Desenvolver uma aplicação que utilize diferentes modelos de aprendizado de máquina para classificação.

Introdução à Modelagem Preditiva;

Passos para a construção de um Modelo Preditivo;

Resampling, Boosting;

Algoritmos para construção de Modelos Preditivos;

Comparação entre modelos;

Aplicações de Modelos Preditivos;

Séries temporais;

Modelos paramétricos para a análise de séries temporais;

RNR e CNN para a previsão de séries temporais.

Desenvolver uma aplicação de análise preditiva utilizando o google colab.

Desenvolver uma aplicação de análise preditiva através de dados de séries temporais. (bolsa de valores, variação de temperaturas etc)

Cross-Validation para validação e seleção de modelos;

Estimativa de desempenho de modelos;

Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento;

Métricas multilabel;

Escolha de algoritmos; 

Configuração/Parametrização adequada de algoritmos;

Tuning, Randomized Parameter, Optimization, Força bruta, Exhaustive Grid Search. 

Medidas de qualidade;

Avaliação da qualidade de uma solução;

Curvas de validação e Curvas de aprendizado.

Aplicar os conceitos de sintonia de hiperparâmetros para a melhoria de desempenho dos algoritmos.

Utilizar diferentes modelos para a classificação ou regressão e mostrar qual deve ser a melhor escolha através das métricas de desempenho e sintonia de hiperparâmetros.

Algoritmos de aprendizado de máquina supervisionado e não supervisionado;

Redes neurais artificiais;

Deep Learning;

Exploração e generalização;

Aprendizado de Máquina por reforço online e batch;

Teoria dos jogos;

Agente e multiagente;

Processo de decisão de Markov (MDP);

Aplicações.

Deploy de modelos (flask/django).

Aplicar algoritmos baseados em redes neurais artificiais para a solução de problemas de classificação e regressão.

Aplicar os conceitos de redes neurais artificiais, em deep learning, e aprendizado por reforço para a solução de problemas complexos.

Introdução, ordem cronológica e história das Redes Neurais Artificiais;

Características básicas de Redes Neurais Artificiais;

Estrutura do neurônio artificial;

Funções de Ativação, Perda e Custo;

Descida do Gradiente;

Learning Rate;

O modelo MCP;

Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não-

Supervisionado);

Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);

AlexNet;

Algoritmo Backpropagation;

Redes de Função de Base Radial;

GAN, GRU e LSTM;

Aplicações de Redes Neurais Artificiais;

Reconhecimento de padrões;

Classificação de imagens;

Séries Temporais;

Geração de conteúdo;

Precificação Dinâmica;

Convolutional Neural Networks (CNN);

Definição da quantidade de camadas e do número de neurônios;

Redes Neurais Recorrentes (RNR) e Recursivas (Recurrent and Recursive Neural Networks).

Aplicar os conceitos de deep learning para a solução de problemas complexos. Esse trabalho de mostrar o “poder” do deep learning.

Aplicar a rede CNN para a classificação de imagens e comparar o desempenho dessa classificação com outros algoritmos de ML.

Introdução ao Processamento da Linguagem Natural;

Estrutura e sintaxe da linguagem;

Técnicas de pré-processamento de textos;

Word2Vec;

BagOfWords;

Glove;

Arquitetura de Processamento da Linguagem Natural;

Coleta de dados Web e redes sociais;

Análise de Sentimento;

Análise semântica;

Desambiguação;

Processamento de textos;

Tradução de textos

Aplicar os conceitos de pré-processamento de textos para a construção de modelos de aprendizado.

Aplicar os conceitos do aprendizado de máquina para a análise de sentimento.

Introdução aos sistemas de recomendação;

Métodos para recomendações; 

Medidas de similaridade; 

Amostragem;

Dimensão reduzida;

Recomendação por associação;

Filtragem Colaborativa para recomendação; 

Filtragem baseada em conteúdo; 

Filtragem Demográfica;

Agrupamento K-means aplicado à Sistemas de Recomendação; 

Análise de Correlação aplicada à Sistemas de Recomendação;

Métrica para avaliação de sistemas de recomendação.

Aplicar os conceitos de similaridade para a construção de sistemas de recomendação.

Avaliar diferentes algoritmos e selecionar o mais adequado para a construção de sistemas de recomendação.

Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/gateways);

Elementos constituintes e características dos dispositivos IoT;

Particularidades dos dados gerados pelos dispositivos IoT;

Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data

warehouse etc);

Computação em nuvem, neblina e edge na IoT;

Dispositivos para IoT (Arduino e Raspberry Pi); 

Análise de dados em dispositivos IoT; 

Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e governamental;

Importância do aprendizado de máquina para a IoT;

Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.

Aplicação de modelos de aprendizado de máquina para a identificação de anomalias em dados coletados por sensores.

Criar um BMC, um PMC e uma lista de OKR´s para um projeto, utilizando alguma plataforma gratuita (Trello, Canvanizer, Jira, etc).

A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado. 

É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. No PA, você será apresentado para problemas com alto grau de incerteza e o desafio será propor ideias inovadoras para solucioná-los. 

O projeto substitui o tradicional Trabalho de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor, aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.

Ao longo do PA, você terá dinâmicas de grupo e orientação personalizada para auxiliá-lo(a) nesta etapa.

Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação chancelado pelo MEC e terá ainda mais habilidades técnicas para alavancar sua carreira.