36h

Essa disciplina apresenta os fundamentos de "deep-learning" e o uso das bibliotecas Keras e TensorFlow, que são específicas para o desenvolvimento de redes neurais artificiais. Nessa disciplina os alunos aprendem como criar, treinar e utilizar uma rede neural "deep-learning". A disciplina se baseia em vários estudos de casos para que os alunos aprendam como aplicar na prática redes "deep-learning" em várias áreas do conhecimento. O objetivo principal dessa disciplina é mostrar aos alunos como redes neurais tipo "deep-learning" realmente funcionam e capacitar os alunos a aplicar essas redes em suas próprias aplicações. A utilização do Keras e TensorFlow permite que os alunos aprendam facilmente como formular, criar e implementar problemas de aprendizado de máquina usando redes "deep-learning".

32h

Essa disciplina apresenta como construir redes neurais recorrentes para processamento de sequências temporais. O objetivo dessa disciplina é ensinar os alunos como funcionam as redes neurais recorrentes e suas variantes. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais recorrentes "deep-learning" para problemas de análise de séries temporais usando as plataformas de desenvolvimento Keras e TensorFlow.

32h

Essa disciplina apresenta as redes neurais convolucionais e suas aplicações a imagens e vídeos. O objetivo dessa disciplina é ensinar os alunos como construir redes neurais convolucionais, suas principais variações e como aplicar esse tipo de rede em tarefas de processamento de imagens e vídeos. A disciplina se baseia em estudos de casos para que os alunos aprendam como aplicar na prática redes neurais convolucionais "deep-learning" para detecção e reconhecimento visual.

32h

O processamento de linguagem natural (PLN) é a subárea da inteligência artificial que estuda a capacidade e as limitações de uma máquina em entender a linguagem dos seres humanos. Esta disciplina aborda normalização de texto, correção ortográfica, “stemização” e “lematização”, idf-tf, extração de contexto, sumarização, “word embedding”, tais como, Word2Vec, FastText, representação de frases com BoW, análise de sentimentos, “chat bots” e utilização de redes neurais para modelagem de linguagem natural, e realizar operações de tradução e sugestão de palavras em contexto, entre outras.

32h

A disciplina irá apresentar conceitos relacionados a extração de conhecimento a partir dos dados, com o intuito de basear as decisões de negócio em dados. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva, Análise Diagnóstica e Preditiva dentro da área de Ciência de Dados, entender o processo de coleta de dados, de transformar dados em informação, de manipular e filtrar dados, executar análises estatísticas inferenciais básicas e exibir os dados graficamente, para assim poder explorar e compreender comportamentos, tendências que ajudarão na tomada de decisões. 

28h

O objetivo principal dessa disciplina é fornecer uma visão geral da área de Aprendizado de Máquina e dos principais conceitos e métodos utilizados em problemas de natureza não probabilística. A disciplina se baseia em estudos de casos em que possam ser aplicados algoritmos de aprendizado para situações de percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas.

32h

Modelagem de problemas e soluções que envolvam aspectos de natureza probabilística. Exploração da abordagem bayesiana e cadeias de Markov na modelagem e sintonia de parâmetros a partir de base de dados.  Teoria de probabilidades e a variável tempo: regressão e análise de tendência. Trabalhos do grupo: https://epidemicapp-280600.web.app/ (Aplicação para CoViD19) e https://corot-contributions.readthedocs.io/ (Detecção de exoplanetas).

28h

Esta disciplina apresenta conteúdos relacionados a análise e apresentação de dados, passando pelo ambiente de programação. A disciplina é baseada em atividades práticas onde o aluno aprende as estruturas fundamentais da linguagem de programação Python, bem como o uso de bibliotecas para análise e exibição de dados. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva e Análise Diagnóstica dentro da área de Ciência de Dados, entender o processo de coleta de dados, de transformar dados em informação, de manipular e filtrar dados, executar análises estatísticas inferenciais básicas e exibir os dados graficamente, para assim poder explorar e compreender comportamentos, tendências que ajudarão na tomada de decisões.

32h

O Aprendizagem por Reforço é o treinamento de modelos de inteligência artificial onde um agente interage com o ambiente coletando dados e tomando decisões. O agente aprende a atingir uma meta em um ambiente incerto e potencialmente complexo, essa técnica é extremamente poderosa uma vez que não necessita de um conjunto de dados desenvolvido especificamente para o seu treinamento. São apresentados conceitos como agentes, ambiente, estado, política de ações, recompensas e algoritmos, tais como, “Markov Decision Process” (MDP), “Q-Learning” e métodos “Value-Based”, “Policy-Based” e “Model-Based”.

32h

Desenvolvimento e “deploy” de sistemas com IA e CD. Uma das formas mais utilizadas para “deploy” é via “web services” REST. Essa disciplina apresenta todos os conceitos de desenvolvimento “back-end” e da arquitetura REST. Outro ponto importante é o desenvolvimento de aplicações mobile com IA incorporado em Javascript e também aplicações web que consomem serviços.

28h

Esta disciplina tem foco no profissional que gerencia sistemas voltados a dados, com o objetivo de deixá-los acessíveis para as mais diversas áreas que dependem de dados como principal fonte de trabalho. O aluno aprenderá sobre governança de dados, modelagem de dados para “data warehouse”, gerenciamento de dados relacionais e não relacionais, “data lakes”, criação de “data marts” e plataformas escaláveis para dados.

16h

Modelos gerativos consistem em métodos da inteligência artificial capazes de criar novas imagens, vídeos, textos e músicas. O processo de geração de novos dados é uma tarefa de aprendizado não supervisionado que envolve descobrir e aprender automaticamente padrões nos dados de entrada de forma que o modelo possa ser usado para gerar ou produzir novos exemplos similares aos dados originais. Três métodos baseados em redes neurais deep learning são apresentados nessa disciplina: autoencoders (AE), autoencoders variacionais (AEV) e redes neurais adversárias generativas (GANs). 

32h

O processamento de linguagem natural (PLN) é a subárea da inteligência artificial que estuda a capacidade e as limitações de uma máquina em entender a linguagem dos seres humanos. Esta disciplina aborda normalização de texto, correção ortográfica, “stemização” e “lematização”, idf-tf, extração de contexto, sumarização, “word embedding”, tais como, Word2Vec, FastText, representação de frases com BoW, análise de sentimentos, “chat bots” e utilização de redes neurais para modelagem de linguagem natural, e realizar operações de tradução e sugestão de palavras em contexto, entre outras.