ESTATÍSTICA PARA INTELIGÊNCIA ARTIFICIAL E CIÊNCIA DE DADOS - 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 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