CIÊNCIA DE DADOS E INTELIGÊNCIA ARTIFICIAL APLICADA AO MERCADO FINANCEIRO - Online

AMPLIE SUAS COMPETÊNCIAS NA ÁREA DE DADOS COM MAIS AGILIDADE!

Os cursos da área de Ciência de Dados e Inteligência Artificial foram desenvolvidos para se complementarem. Isso significa que, ao concluir uma das especializações, você pode solicitar dispensa de disciplinas equivalentes em outro curso e conquistar um novo diploma com mais agilidade.

Benefícios para sua formação:

• Aproveitamento de disciplinas já cursadas

• Redução do tempo total de formação

• Economia de investimento

• Expansão das competências em diferentes áreas da IA e Ciência de Dados

Convergência entre cursos

Veja abaixo exemplos de aproveitamento entre cursos:

De Ciência de Dados e Big Data para:

• Ciência de Dados e IA Aplicadas à Saúde: 5 disciplinas 

• Engenharia de IA e MLOps: 2 

• Estatística para IA e Ciência de Dados: 8 

• IA Generativa e Aplicações com LLMs: 2 

• Inteligência Artificial e Aprendizado de Máquina: 8 

• IA Multimodal e Visão Computacional: 4 

• Ciência de Dados e IA para o Mercado Financeiro: 5 

Outros cursos também apresentam aproveitamento entre si, com variações entre 1 e 8 disciplinas dispensadas, dependendo da combinação.

Disciplinas compartilhadas entre os cursos

As seguintes disciplinas aparecem em dois ou mais cursos:

• Arquiteturas de Deep Learning

• Cloud Computing para IA e Ciência de Dados

• Data Discovery e Analytics

• Engenharia de Agentes e IA Agêntica

• Estatística Geral - Teoria e Aplicações

• Governança de Dados e Compliance

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

• Implementação de Modelos de Deep Learning

• Inteligência Artificial Multimodal

• Machine Learning

• MLOps e DataOps: Orquestração e Automação

• Modelos de Regressão

• Preparação e Integração de Dados

• Processamento de Linguagem Natural e Aplicações Textuais

• Python para Ciência de Dados

• Redes Neurais Generativas

• Redes Neurais Recorrentes e Transformadores

• Segurança e Governança em IA

• Séries Temporais e Forecasting
  

Visite as páginas dos cursos!

COMPETÊNCIAS DISCIPLINARES

O curso integra IA em todas as disciplinas como apoio para acelerar atividades práticas, aprofundar conhecimentos e fortalecer o vínculo entre conhecimento técnico, objetivos de negócio e competências comportamentais.

Módulo 1: Fundamentos de Dados e Estatística

Python para Ciência de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os principais tipos e estruturas de dados em Python, como listas, tuplas, dicionários e dataframes

• Utilizar estruturas de controle e funções para construção de scripts analíticos

• Aplicar vetorização e manipulação de matrizes numéricas com bibliotecas como NumPy

•  Integrar APIs e serviços externos em aplicações de dados

• Utilizar bibliotecas de IA Generativa para apoio à codificação e análise de dados

• Desenvolver projetos práticos com gestão de código assistida por IA

Estatística Geral - Teoria e Aplicações

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar estatística descritiva e inferência estatística em contextos reais

• Compreender e utilizar distribuições de probabilidade e testes de hipóteses

• Realizar regressão linear simples e interpretar seus resultados

• Dimensionar amostras e aplicar diferentes técnicas de amostragem

• Utilizar softwares estatísticos e IA Generativa para análise e geração de relatórios

• Empregar engenharia de prompt para conduzir análises estatísticas automatizadas

Preparação e Integração de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar enriquecimento, limpeza e montagem de conjuntos de dados

• Aplicar técnicas de Feature Engineering, ETL, ELT e uso de Data Lakes

• Integrar dados de múltiplas fontes utilizando ferramentas de ingestão

• Automatizar pipelines de dados com suporte de IA Generativa

• Criar documentação e dicionários de dados de forma assistida por IA

• Desenvolver aplicações de integração de dados com projeto prático

Data Discovery e Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar técnicas de análise exploratória de dados (EDA) para identificação de padrões e insights

• Formular problemas de negócio com base em pensamento analítico orientado a dados

• Avaliar a qualidade dos dados e aplicar técnicas básicas de limpeza e transformação

• Criar visualizações eficazes e dashboards interativos para diferentes públicos e objetivos

• Utilizar ferramentas OLAP e IA Generativa para geração automatizada de insights e storytelling

• Desenvolver narrativas analíticas com suporte de engenharia de prompt e dashboards inteligentes
  

Módulo 2: Estrutura e Matemática do Mercado Financeiro

Estrutura do Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o funcionamento do Sistema Financeiro Nacional e seus principais segmentos

• Identificar os participantes, funções e instrumentos dos mercados de crédito, cambial, monetário e de capitais

• Diferenciar os tipos de ativos financeiros: renda fixa, patrimoniais e derivativos

• Analisar a estrutura e dinâmica dos mercados financeiros com apoio de dados e indicadores econômicos

• Aplicar técnicas de IA para análise de padrões e estruturação de dados financeiros

• Desenvolver projetos práticos que simulem cenários e interações entre os diferentes mercados

Matemática Financeira Aplicada

Ao final da disciplina, os alunos deverão ser capazes de:

•  Aplicar os conceitos de valor do dinheiro no tempo em contextos financeiros reais

• Calcular valor presente, valor futuro, taxas efetivas e reais em operações de crédito e investimento

• Analisar séries de pagamentos uniformes e realizar estudos de viabilidade econômica

• Utilizar indicadores como VPL, TIR e Payback para avaliação de projetos financeiros

• Empregar análise de sensibilidade para simulação de cenários e tomada de decisão

• Utilizar IA para automatizar cálculos, gerar simulações e apoiar decisões financeiras em projetos práticos

Governança de Dados e Compliance

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da Governança de Dados e o framework DMBoK

• Implementar políticas, padrões e procedimentos para gestão de dados, incluindo metadados e catálogos

• Avaliar riscos e garantir conformidade com legislações como LGPD e GDPR em ambientes data-driven

• Aplicar princípios de Governança, com foco em ética, agilidade e transformação organizacional

• Utilizar assistentes de IA para automatizar processos de governança, documentação e monitoramento de qualidade

• Desenvolver projetos práticos que integrem governança, compliance e inteligência artificial

Módulo 3: Modelagem Preditiva e Inteligência Artificial

Séries Temporais e Forecasting

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos fundamentais de séries temporais, incluindo estacionariedade e autocorrelação

• Aplicar métodos de decomposição, médias móveis e alisamento exponencial para análise de tendências

• Modelar séries temporais estacionárias e não estacionárias utilizando ARMA, ARIMA e SARIMA

• Realizar análises de intervenção e regressão dinâmica em contextos temporais

• Utilizar IA Generativa para diagnóstico, sumarização de tendências e geração de prompts analíticos

• Desenvolver projetos práticos de previsão com aplicação de modelos estatísticos e machine learning

Machine Learning Aplicada ao Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender o processo de aprendizagem de máquina no contexto financeiro e suas aplicações práticas

• Realizar engenharia de atributos (feature engineering) em dados financeiros com apoio de IA Generativa

• Aplicar algoritmos supervisionados e não supervisionados em problemas de classificação, regressão e agrupamento

• Utilizar modelos ensemble para melhorar a performance preditiva em cenários financeiros

• Avaliar modelos com métricas apropriadas e técnicas de validação cruzada

• Desenvolver projetos práticos com explicabilidade de modelos e geração de prompts para insights financeiros

Redes Neurais e Deep Learning Aplicada ao Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos das redes neurais artificiais e suas arquiteturas

• Aplicar redes convolucionais (CNNs) e recorrentes (RNNs) em problemas financeiros como séries temporais e classificação de risco

• Avaliar os desafios éticos e técnicos da aplicação de deep learning em finanças

• Utilizar frameworks como TensorFlow e PyTorch para desenvolvimento de modelos avançados

• Integrar IA Generativa para apoio na construção, análise e documentação de modelos

• Desenvolver projetos práticos com aplicação de deep learning em dados financeiros reais

Redes Neurais Generativas Aplicada ao Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos e funcionamento das Redes Neurais Generativas (RNGs), incluindo Autoencoders, VAEs e GANs

• Treinar e avaliar modelos generativos aplicados a dados financeiros, como simulação de cenários e geração de dados sintéticos

• Utilizar IA Generativa para interpretação de resultados e explicação de comportamento dos modelos

• Aplicar técnicas de avaliação de qualidade dos modelos generativos

• Desenvolver projetos práticos com uso de GANs e VAEs em aplicações como detecção de anomalias, previsão e simulação de risco

• Integrar modelos generativos em soluções financeiras com foco em inovação e segurança

Gestão e Análise de Riscos com Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os principais tipos de riscos financeiros e os processos de gestão associados

• Aplicar frameworks e metodologias para identificação, avaliação, mitigação e monitoramento de riscos

• Quantificar riscos utilizando medidas estatísticas e simulações aplicadas ao mercado financeiro

• Implementar modelos de machine learning para análise preditiva de risco com dados históricos e em tempo real

• Utilizar IA Generativa para automação de relatórios, geração de insights e apoio à tomada de decisão em gestão de riscos

• Desenvolver projetos práticos que integrem dados, modelos e estratégias de mitigação em ambientes financeiros
  

Módulo 4: Estratégias Quantitativas e Projeto Final

Algoritmos de Trading e Estratégias Quantitativas

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos da negociação eletrônica, algorítmica e da microestrutura de mercado

• Desenvolver algoritmos de trading baseados em estratégias quantitativas como reversão à média, momentum e arbitragem estatística

• Aplicar técnicas de machine learning e deep learning em estratégias de negociação automatizada

• Realizar backtesting e otimização de estratégias com uso de bibliotecas e plataformas quantitativas

• Selecionar, tratar e caracterizar dados financeiros para alimentar modelos de negociação

• Utilizar IA Generativa para criação de prompts, geração de código e análise de performance de estratégias

Otimização e Simulação no Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar o framework de Markowitz para análise de risco-retorno e diversificação ótima de portfólios

• Utilizar técnicas de otimização linear e não-linear em problemas financeiros

• Implementar simulações de Monte Carlo para precificação de ativos e avaliação de risco

• Compreender e aplicar o modelo de Black-Scholes em contextos de tempo contínuo

• Utilizar ferramentas computacionais para otimização e simulação de cenários financeiros

• Empregar IA Generativa para automatizar análises, gerar scripts e interpretar resultados de simulações
  

Projeto em Ciência de Dados e IA no Mercado Financeiro

Ao final da disciplina, os alunos deverão ser capazes de:

• Planejar e executar um projeto completo aplicando ciência de dados e IA a um problema financeiro real

• Definir escopo, objetivos, métricas e critérios de sucesso para a solução proposta

• Escolher arquiteturas, ferramentas e modelos adequados ao contexto do projeto

• Implementar soluções com uso de dados financeiros, modelos preditivos e redes neurais

• Utilizar IA Generativa para acelerar etapas como análise exploratória, modelagem e documentação técnica

• Apresentar os resultados embasamento técnico e foco em impacto estratégico

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos