Estatística para Inteligência Artificial e Ciência de Dados - EAD com videoaulas

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 Estatísticos e Programação

• 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

• Análise Descritiva e Probabilidade

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

• Identificar e classificar tipos de variáveis e aplicar técnicas de representação tabular e gráfica
• Calcular e interpretar medidas de posição, dispersão, correlação e realizar análise bivariada e bidimensional
• Aplicar conceitos de espaço amostral, eventos e propriedades da probabilidade em experimentos estatísticos
• Reconhecer e utilizar modelos de distribuição discretos e contínuos, incluindo Teorema do Limite Central e Lei dos Grandes Números
• Utilizar técnicas de visualização e IA para análise descritiva e probabilística de dados reais
• Desenvolver projeto prático com aplicação de modelos probabilísticos e ferramentas inteligentes de análise
  

• 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

• Inferência Estatística

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

• Compreender os fundamentos da inferência estatística e aplicar métodos de estimação e testes de hipótese
• Avaliar propriedades dos estimadores e utilizar estatísticas suficientes em contextos aplicados
• Aplicar testes paramétricos e não-paramétricos para diferentes tipos de amostras e situações experimentais
• Utilizar métodos de reamostragem e medidas de correlação com testes de significância
• Empregar IA para automatizar análises inferenciais e apoiar decisões baseadas em evidências
• Desenvolver projeto prático com aplicação de técnicas inferenciais em conjuntos de dados reais

• Técnicas de Amostragem e Regressão Linear

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

• Aplicar diferentes técnicas de amostragem e dimensionamento de amostras, considerando viés e erros não amostrais
• Estimar variâncias e construir intervalos de confiança com base em distribuições amostrais e métodos como bootstrap
• Desenvolver modelos de regressão linear simples e múltipla, incluindo variáveis qualitativas e análise de resíduos
• Realizar diagnóstico, seleção de variáveis, transformação e validação de modelos de regressão
• Utilizar IA para análise de amostragem, construção de modelos preditivos e otimização de regressões
• Desenvolver projeto prático com aplicação de técnicas de amostragem e regressão em dados reais
  

Módulo 2: Estatística Avançada e Modelagem Probabilística

• Modelos de Regressão

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

• Compreender os fundamentos matemáticos e estatísticos dos modelos de regressão
• Aplicar regressão linear múltipla e modelos de regressão não linear em conjuntos de dados reais
• Avaliar a qualidade dos modelos por meio de métricas de desempenho e validação
• Utilizar softwares e bibliotecas para construção e interpretação de modelos preditivos
• Empregar IA Generativa para geração de código, análise de variáveis e explicação de resultados
• Desenvolver projetos práticos com aplicação de regressão em problemas de negócio

• Estatística Bayesiana e Modelagem Probabilística para IA

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

• Compreender os fundamentos da inferência bayesiana e aplicar o teorema de Bayes em contextos de IA
• Utilizar métodos computacionais como MCMC, Metropolis-Hastings, Gibbs Sampling e inferência variacional para estimativas bayesianas
• Desenvolver modelos bayesianos aplicados à regressão, classificação e séries temporais, com quantificação de incertezas
• Implementar redes bayesianas e modelos gráficos probabilísticos com frameworks como PyMC, Stan e TensorFlow Probability
• Aplicar IA para definição de priors, interpretação de resultados e geração automatizada de código em projetos probabilísticos

• Análise Multivariada

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

• Realizar análise exploratória de dados multivariados com base em fundamentos de álgebra linear e estatística
• Aplicar distribuições de probabilidade multivariadas e técnicas de inferência para comparação de grupos
• Utilizar métodos como análise discriminante, fatorial e estrutural para redução de dimensionalidade e identificação de padrões
• Implementar técnicas de dependência entre variáveis e validação de modelos multivariados
• Empregar IA para apoiar a análise multivariada, gerar insights e automatizar processos analíticos em projetos práticos

• 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
  

Módulo 3: ML e Aprendizado de Máquina

• Machine Learning

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

• Compreender os principais conceitos e tipos de aprendizado de máquina: supervisionado, não supervisionado e por reforço
• Aplicar algoritmos como regressão, árvores de decisão, SVM, KNN e clustering em conjuntos de dados reais
• Avaliar modelos com métricas de desempenho e técnicas de validação cruzada
• Realizar seleção de atributos e engenharia de features para melhorar a performance dos modelos
• Utilizar bibliotecas como Scikit-learn e IA Generativa para automação de tarefas analíticas
• Desenvolver projetos práticos com aplicação de modelos preditivos em problemas de negócio

• Arquiteturas de Deep Learning

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

• Compreender os fundamentos das redes neurais artificiais e suas arquiteturas
• Diferenciar e aplicar arquiteturas como CNNs, RNNs, LSTMs e Transformers em diferentes contextos
• Analisar o funcionamento de camadas, funções de ativação, normalização e regularização
• Explorar arquiteturas modernas para visão computacional, processamento de linguagem natural e séries temporais
• Utilizar frameworks como TensorFlow e PyTorch para construção de modelos avançados
• Empregar IA Generativa para explicação de arquiteturas e geração de código base

• Implementação de Modelos de Deep Learning

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

•  Projetar e treinar modelos de deep learning com dados reais e sintéticos
•  Realizar ajustes de hiperparâmetros e otimização de desempenho dos modelos
•  Implementar pipelines de treinamento, validação e teste com boas práticas de engenharia de IA
•  Integrar modelos em aplicações práticas com suporte a APIs e interfaces de consumo
•  Utilizar IA Generativa para acelerar o desenvolvimento, depuração e documentação de modelos
•  Desenvolver projetos completos com implantação de modelos em ambientes produtivos

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

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

• Compreender os princípios e arquiteturas dos modelos de IA Generativa, incluindo LLMs e Diffusion Models
• Projetar e implementar agentes inteligentes baseados em IA Generativa para tarefas específicas
• Integrar modelos generativos em aplicações práticas como assistentes virtuais, geração de conteúdo e automação de processos
• Utilizar técnicas de engenharia de prompt para controle e personalização de respostas dos agentes
• Avaliar aspectos éticos, de segurança e de interpretabilidade na construção de agentes generativos
•  Desenvolver soluções completas com IA Agêntica aplicadas a contextos corporativos, educacionais ou criativos
  

Módulo 4: Governança e Aplicação Prática

• MLOps e DataOps: Orquestração e Automação

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

• Compreender os princípios de DataOps e MLOps e sua importância na governança de dados e modelos
• Implementar pipelines automatizados para ingestão, transformação e entrega de dados
• Orquestrar o ciclo de vida de modelos de machine learning com ferramentas como MLFlow, Kubeflow ou similares
• Monitorar e versionar modelos em ambientes produtivos com práticas de CI/CD
• Utilizar IA Generativa para geração de scripts, documentação e automação de processos operacionais
• Desenvolver soluções completas com integração entre dados, modelos e infraestrutura

• Governança de Dados e Compliance

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

• Aplicar o framework DMBoK na estruturação da governança de dados organizacional
• Implementar políticas e procedimentos para gestão de metadados e catálogo de dados
• Avaliar riscos e garantir compliance com LGPD, GDPR e outras legislações
• Utilizar assistentes de IA para automação de políticas e documentação técnica
• Aplicar princípios de Governança 2.0 com foco em ética e agilidade na gestão
• Desenvolver projetos práticos de governança em ambientes data-driven

• 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

Conteúdo Programático