Pós-graduação em Inteligência Artificial com ênfase em Machine Learning

Módulo 1  | Fundamentos 

• Introdução ao Python
• Escrevendo em Python
• Tipos de dados em Python
• List; Tuple; Sets e Dictionary
• Condições, Loops e Funções
• Módulos em Python
• Importando pacotes e Funções básicas

Módulo 2 |  Python para a Análise de Dados

• Introdução à análise de dados
• Pandas e numpy para a análise de dados
• Introdução ao Scikit-learn
• Aplicações pŕaticas com Python para análise de dados

Módulo 3 | Python para WEB

• Introdução ao desenvolvimento WEB
• HTML e XML
• API e WebServer com Python
• Introdução do Django
• Introdução ao Flask

Módulo 4 | Python Avançado

• Introdução à concorrência e paralelismo com Python
• Introdução à programação reativa com Python
• Introdução do Aprendizado de Máquina com Python
• Introdução ao desenvolvimento de jogos com Python

Módulo 1 | Fundamentos

• 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

Módulo 2 | Modelos preditivos e séries temporais

• 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

Módulo 3 | Seleção de Modelos de Aprendizado de Máquina

• 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

Módulo 4 |  Metodologias de Aprendizado

• 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)

Módulo 1  | Fundamentos 

• 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

Módulo 2 |  Processamento de Linguagem Natural

• 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

Módulo 3 | Sistemas de Recomendação

• 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

Módulo 4 | Aplicações de Aprendizado de Máquina para IoT

• 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