Módulo 1 |  Fundamentos 

• Introdução a Big Data 
• Definição e fundamentos do Big Data (data lake, data warehouse etc)
• Introdução a frameworks e ferramentas do Big Data
• Tecnologias para o Big Data
• Fontes de dados para o Big Data
• Empresas Data Driven
• Capacitação e profissionais do Big Data

Módulo 2 | Coleta e Obtenção de Dados

• Inteligência Coletiva
• Web Semântica
• Ontologia
• Buscas avançadas: pessoas, negócios e redes sociais
• Coleta de dados na Web – Web Crawler (redes sociais, blogs e notícias)
• Ferramentas para coletas de dados
• API’s de redes sociais

Módulo 3 | Persistência em banco de dados NoSQL

• Introdução
• Banco de dados relacionais
• Limitações de Bancos de Dados Relacionais
• Motivações para bancos NoSQL
• Tipos de Bancos NoSQL
• ACID x BASE
• Key-value databases
• Document databases
• Column Family Databases
• Graph Databases

Módulo 4 | Processamento de dados utilizando o ecossistema hadoop

• Modelagem de Dados com o Hadoop
• Data Ingestion
• Componentes do ecossistema Hadoop
• Processamento de Dados
• Padrões de Processamento com Hadoop
• Processamento de Grafos com Hadoop
• Processamento em tempo real

Módulo 1 | Fundamentos 

• Fundamentos de análise estatística de dados para o Big Data
• Conceitos e aplicação de correlação entre variáveis
• Conceitos e aplicação de regressão Linear univariada e multivariada
• Conceitos e aplicação do controle Estatístico de Processos
• Aplicações e conceitos de Séries Estatísticas
• Aplicações da análise estatística de dados aplicadas ao Big Data
• Análise prática da probabilidade de eventos de interesse
• Análise comparativa entre conjunto de dados
• Aplicações e conceitos de Testes de hipóteses e testes A/B.

Módulo 2 |  Desenvolvimento de Soluções utilizando Spark

• Conceitos básicos sobre Spark
• Dataframe
• SparkSession
• Transformações
• Tipos de dados
• Operações
• Funções de Agregações
• Fontes de Dados
• RDDs
• Estatística descritiva com Spark
• Spark SQL
• GraphX
• MLlib e Streaming
• Deploy
• Spark x Hadoop

Módulo 3 | Técnicas em Análise de Dados

• Processamento dinâmico de dados utilizando o Spark Streaming
• Aplicações utilizando os ambientes Spark GraphX e MLlib
• Algoritmos de aprendizado de máquina para a preparação e processamento do Big Data
• Aplicações utilizando o Spark MLlib
• Ambientes Kafka e Amazon Kinesis
• Integração entre ambientes e ferramentas para o processamento de Big Data
• Conceitos de modelagem e teoria de grafos
• Aplicações utilizando Neo4j

Módulo 4 | Análise de Dados utilizando Dashboards

• Introdução a dashboards
• Categorias dos dashboards
• Estudos de gráficos para dashboards
• Os erros mais comuns na construção de um dashboard
• Os princípios visuais da Gestalt
• Boas práticas de construção de dashboards
• Principais metas para um dashboard visual
• Desenvolvendo dashboards empresariais
• Data storytelling

A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado como Desafio de Conclusão. É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. 

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.

Durante o Desafio de Conclusão, você terá aulas interativas, reuniões de orientação em grupo e fórum individual para lhe auxiliar. Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação e terá ainda mais habilidades técnicas para alavancar sua carreira. Além disso, realizando o upgrade na sua formação com o bootcamp de Inteligência Artificial após concluir o PA, você receberá uma segunda certificação de pós-graduação, ambas com chancela do MEC.

Módulo 1 | Fundamentos da Inteligência Artificial

• Introdução à Inteligência Artificial
• Definição de IA e sua evolução histórica
• Diferenças entre IA, aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL)
• Visão geral dos tipos de IA: IA fraca vs. IA forte
• Conceitos Fundamentais de IA
• Algoritmos de aprendizado de máquina: supervisionado, não supervisionado e por reforço
• Modelos discriminativos vs generativos
• Redes neurais e estruturas básicas de dados para IA
• Ferramentas e linguagens de programação para IA: Python, TensorFlow, PyTorch
• Aplicações e Casos de Uso da IA
• Exemplos práticos de IA no dia a dia
• IA nas indústrias: saúde, finanças, educação e mais
• Benefícios e limitações da IA
• Ética e IA
• Discussão sobre viés e justiça em sistemas de IA
• Privacidade de dados e segurança na era da IA
• Regulamentações e políticas de IA

Módulo 2 |  Implementando e Trabalhando com IA 

• Identificando Oportunidades de IA
• Como identificar problemas solucionáveis com IA
• Avaliação de prontidão para IA nas organizações (maturidade analítica das organizações)
• Estudos de caso de transformação digital com IA
• Planejamento e Implementação de Soluções de IA
• Etapas para desenvolver e implementar projetos de IA
• Coleta e tratamento de dados para aprendizado de máquina
• Monitoramento e avaliação de modelos de IA
• Estratégias de Aprendizado e Melhoria Contínua
• Importância dos dados e da qualidade dos dados para IA
• Técnicas de aprimoramento de modelos: ajuste fino, transferência de aprendizagem
• Implementando ciclos de feedback e aprendizado contínuo
• Liderança e Competências Organizacionais em IA
• Desenvolvimento de competências de IA dentro das organizações
• Decisões estratégicas: construir internamente, comprar ou terceirizar soluções de IA
• Criando uma cultura orientada por dados e IA

Módulo 3 | Avanços em IA Generativa e suas Aplicações para Ciência de Dados

• O que é IA Generativa;
• Aplicabilidade da IA Generativa na área de dados;
• OpenAI’s GPT-4;
• Amostras de Dados com IA Generativa (Data Augmentation):
• Modelos de difusão
• Rede Adversária Generativa (Generative Adversarial Networks - GANs) 
• Codificadores automáticos variacionais (Variational Autoencoders - VAEs)
• IA Generativa para Data Lake;
• IA Generativa para pipelines de dados:
• Limpeza e Enriquecimento de Dados usando IA
• Padronização e Deduplicação de Dados (Data Deduplication) com IA
• Anonimização de Dados com IA
• Detecção de anomalias nos dados utilizando IA
• Automação de Tarefas de Processamento de Dados com IA
• IA para governança, segurança, privacidade e conformidade de dados;
• IA Generativa na visualização de dados e construção de dashboards.
• ados;

Módulo 4 | MLOps e IA como Serviço

• Fundamentos de MLOps.
•  Princípios básicos e importância do MLOps para a ciência de dados.
• Serviços de IA na Nuvem.
• Visão geral das plataformas AWS SageMaker, Google AI Platform e Azure Machine Learning.
• Monitoramento e Manutenção de Modelos.
• Estratégias para monitorar e atualizar modelos de IA em produção.
• Desenvolvimento de Aplicações de IA.
• Criação de aplicações web e móveis integrando modelos de IA.
• Segurança e Ética em Modelos de IA em Produção.
•  Considerações sobre segurança, ética e privacidade.
• Automação e CI/CD para Modelos de IA.
•  Implementação de pipelines de integração e entrega contínua para modelos de IA.
• Gestão de Dados e Modelos de IA em Produção.
•  Estratégias para o gerenciamento eficaz de dados e modelos em ambientes de produção.
•  Implementação de ciclos de feedback para a melhoria contínua de modelos de IA.