Pós-graduação em
Ciência de Dados para o Mercado Financeiro

Módulo 1  |  Introdução à Análise e Ciência de Dados

• Introdução à Análise e Ciência de Dados
• Fundamentos de Big Data
• Probabilidade e Estatística
• Análise Exploratória de Dados
• Aprendizagem de Máquinas

Módulo 2  |  Fundamentos de Programação para a Ciência de Dados

• Introdução à Lógica de Programação
• Conceitos sobre linguagem e programação em Python
• Fundamentos e Conceitos em PANDAS
• Processamento de Dados
• Tipos e Modelagem de Dados

Módulo 3  |  Governança, Risco e Compliance de Dados

• Introdução à Governança Corporativa
• Fundamentos sobre Governança e Risco
• Fundamentos sobre Compliance
• Ferramentas e Técnicas de Governança, Risco e Compliance
• Boas práticas de Governança, Risco e Compliance
• Leis e entidades Reguladoras 

Módulo 4  |  Fundamentos de Business Intelligence

• Conceitos e Fundamentos de Business Intelligence
• Conceitos e Fundamentos sobre Data Warehouse
• Técnicas e Ferramentas sobre BI
• Técnicas e Ferramentas sobre Data Warehouse
• Conceitos e técnicas sobre ETL

Módulo 1  | Fundamentos de Economia e de Mercado de Capitais

• Governança Corporativa
• Sistema Financeiros Nacional
• Comissão de Valores Mobiliários
• Companhias
• Bolsa de Valores e Títulos Mobiliários
• Mercado de Derivativos

Módulo 2 |  Mercado de Capitais – Renda Fixa

• Introdução ao Mercado de Capitais – Renda Fixa
• Renda Fixa Tipos de Títulos
• Cálculo do PU, relação PU vs. Taxa de Juros
• Rentabilidade, juros acumulado, precificação
• Estratégias de Renda Fixa

Módulo 3  |  Mercado de Capitais – Renda Variável

• Introdução ao mercado de Renda Variável
• Fundamentos sobre Mercado Primário e Secundário de Ações
• Renda Variável – Derivativos – Mercado a Termo
• Mercado Futuro – Mercado Opções
• Análise de Investimentos – Técnicas e Fundamentalista
• Análise Gráfica – Técnicas

Módulo 4  |  Ferramentas de Business Intelligence

• Ferramentas de Business Intelligence
• Fundamentos de Power BI
• Técnicas e Ferramentas sobre Power BI
• Técnicas e Ferramentas sobre Databoards
• Gráficos em Dashboard
• Maturidade de BI

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:

1. Definição de IA e sua evolução histórica
2. Diferenças entre IA, aprendizado de máquina (Machine Learning – ML) e aprendizado profundo (Deep Learning – DL)
3. Visão geral dos tipos de IA: IA fraca vs. IA forte

• Conceitos Fundamentais de IA:

1. Algoritmos de aprendizado de máquina: supervisionado, não supervisionado e por reforço
2. Modelos discriminativos vs Generativos
3. Redes neurais e estruturas básicas de dados para IA
4. Ferramentas e linguagens de programação para IA: Python, TensorFlow, PyTorch

• Aplicações e Casos de Uso da IA:

1. Exemplos práticos de IA no dia a dia
2. IA nas indústrias: saúde, finanças, educação e mais
3. Benefícios e limitações da IA

• Ética e IA:

1. Discussão sobre viés e justiça em sistemas de IA
2. Privacidade de dados e segurança na era da IA
3. Regulamentações e políticas de IA

Módulo 2  |  Implementando e Trabalhando com IA

• Identificando Oportunidades de IA:

1. Como identificar problemas solucionáveis com IA
2. Avaliação de prontidão para IA nas organizações (maturidade analítica das organizações)
3. Estudos de caso de transformação digital com IA

• Planejamento e Implementação de Soluções de IA:

1. Etapas para desenvolver e implementar projetos de IA
2. Coleta e tratamento de dados para aprendizado de máquina
3. Monitoramento e avaliação de modelos de IA

• Estratégias de Aprendizado e Melhoria Contínua:

1. Importância dos dados e da qualidade dos dados para IA
2. Técnicas de aprimoramento de modelos: ajuste fino e transferência de aprendizagem
3. Implementando ciclos de feedback e aprendizado contínuo

• Liderança e Competências Organizacionais em IA:

1. Desenvolvimento de competências de IA dentro das organizações
2. Decisões estratégicas: construir internamente, comprar ou terceirizar soluções de IA
3. 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):

1. Modelos de difusão
2. Rede Adversária Generativa (Generative Adversarial Networks - GANs) 
3. Codificadores automáticos variacionais (Variational Autoencoders - VAEs)

• IA Generativa para Data Lake
• IA Generativa para pipelines de dados:

1. Limpeza e Enriquecimento de Dados usando IA
2. Padronização e Deduplicação de Dados (Data Deduplication) com IA
3. Anonimização de Dados com IA
4. Detecção de anomalias nos dados utilizando IA
5. 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

Módulo 4  |  MLOps e IA como Serviço

• Fundamentos de MLOps:

1. Princípios básicos e importância do MLOps para a ciência de dados

• Serviços de IA na Nuvem:

1. Visão geral das plataformas AWS SageMaker, Google AI Platform e Azure Machine Learning

• Monitoramento e Manutenção de Modelos:

1. Estratégias para monitorar e atualizar modelos de IA em produção

• Desenvolvimento de Aplicações de IA:

1. Criação de aplicações web e móveis integrando modelos de IA

• Segurança e Ética em Modelos de IA em Produção:

1.  Considerações sobre segurança, ética e privacidade

• Automação e CI/CD para Modelos de IA:

1.  Implementação de pipelines de integração e entrega contínua para modelos de IA.

• Gestão de Dados e Modelos de IA em Produção:

1. Estratégias para o gerenciamento eficaz de dados e modelos em ambientes de produção
2. Implementação de ciclos de feedback para a melhoria contínua de modelos de IA