Módulo 1 | Introdução à Ciência de Dados e Python

• Visão geral da ciência de dados
• Introdução à programação em Python
• Estruturas de dados em Python (listas, dicionários, tuplas, conjuntos)
• Controle de fluxo em Python (condicionais, loops)
• Funções em Python
• Manipulação de dados com pandas (DataFrame, Series)
• Manipulação de dados com pandas (indexação, seleção, atribuição)
• Manipulação de dados com pandas (agregação, agrupamento, pivotamento)
• Introdução à visualização de dados com matplotlib e seaborn (gráficos de linha, de barras, de dispersão)
• Visualização de dados com matplotlib e seaborn (histogramas, boxplots, heatmaps)
• Princípios de design de visualização de dados

Módulo 2 | Estatística para Ciência de Dados

• Estatística descritiva (média, mediana, moda, variância, desvio padrão)
• Distribuições de probabilidade (distribuição normal, distribuição binomial)
• Inferência estatística (intervalos de confiança, testes de hipóteses)
• Regressão linear e logística
• Análise de variância (ANOVA)
• Princípios de probabilidade
• Teorema de Bayes
• Correlação e causalidade
• Introdução à estatística bayesiana
• Análise multivariada

Módulo 3 | Análise Exploratória de Dados

• Importância da análise exploratória de dados
• Limpeza de dados (lidando com dados faltantes, remoção de duplicatas)
• Preparação de dados (transformação de dados, codificação de variáveis categóricas)
• Exploração de dados com visualizações (histogramas, gráficos de dispersão, gráficos de caixa)
• Técnicas para lidar com outliers
• Engenharia de atributos (criação de novas variáveis, transformação de variáveis)
• Análise de correlação
• Introdução à redução de dimensionalidade (PCA, t-SNE)

Módulo 4 | Dataviz e Storytelling com Dados

• Princípios de design de visualização de dados
• Visualização de dados com matplotlib e seaborn
• Introdução ao Tableau e PowerBI
• Criação de dashboards interativos
• Storytelling com dados
• Comunicação de insights de dados
• Visualização de dados geoespaciais
• Visualização de séries temporais
• Visualização de dados de alta dimensão

Módulo 1 |  Fundamentos de Machine Learning

• Visão geral do aprendizado de máquina
• Aprendizado supervisionado vs. não supervisionado
• Regressão linear e logística
• Árvores de decisão
• k-nearest neighbors
• Support Vector Machines
• Ensemble Methods: Bagging, Boosting
• Avaliação de modelos de machine learning
• Overfitting, underfitting e regularização
• Introdução ao aprendizado profundo

Módulo 2 | Técnicas Avançadas para Machine Learning

• Redes Neurais Artificiais
• Aprendizado por Reforço
• Ensemble Methods
• Machine Learning com Spark
• Otimização de Hiperparâmetros
• Validação Cruzada (tipos e aplicações)
• Algoritmos de Agrupamento (SOM, DBSCAN)
• Algoritmos de Recomendação
• Introdução ao Aprendizado Profundo

Módulo 3 | Redes Neurais e Aprendizado Profundo

• Fundamentos de Redes Neurais
• Backpropagation e Otimização
• Redes Neurais Convolucionais (CNNs)
• Redes Neurais Recorrentes (RNNs)
• Long Short-Term Memory (LSTM)
• Transformers
• Transfer Learning
• Autoencoders
• Generative Adversarial Networks (GANs)
• Aplicações de Aprendizado Profundo

Módulo 4 | MLOps e Gerenciamento de Projetos em Machine Learning

• Introdução ao MLOps
• Ciclo de vida de desenvolvimento de modelos de machine learning
• Treinamento e validação de modelos
• Implantação de modelos de machine learning
• Monitoramento e manutenção de modelos
• Gerenciamento de projetos em machine learning
• Trabalho em equipe e colaboração em projetos de machine learning
• Ética e responsabilidade em machine learning

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.