Inteligência Artificial e Aprendizado de Máquina

Competências Disciplinares

Módulo 1: Fundamentos de Análise de Dados e Estatística

Estatística Geral - Teoria e Aplicações 

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

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.
• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.
• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados

Data Discovery e Analytics 

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

• Realizar analisar exploratória de dados
• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados)
• Identificar e coletar dados relevantes de diversas fontes.
• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa
• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma
• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva 

Módulo 2: Programação e Preparação de Dados

Python para Ciência de Dados 

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

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes.
• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes.
• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados

Preparação e Integração de Dados 

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

• Realizar processos de limpeza, transformação e enriquecimento de dados.
• Executar processos ETL/ELT e integrar dados em ambientes de Data Lake.
• Utilizar ferramentas específicas para projetar e desenvolver aplicações de preparação e integração de dados.
• Implementar pipelines de ETL e ELT.
• Projetar e desenvolver soluções de integração de dados.

Módulo 3: Machine Learning e Modelos Estatísticos

Machine Learning

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

• Compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado)
• Capacidade para selecionar e aplicar algoritmos adequados para problemas específicos de machine learning
• Capacidade para implementação e otimização de modelos de machine learning
• Avaliar a performance de modelos de aprendizado de máquina
• Interpretar os resultados de modelos de aprendizado de máquina

Modelos Estatísticos

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

• Compreender e aplicar diferentes tipos de modelos preditivos
• Implementar e interpretar regressão linear múltipla
• Desenvolver e analisar modelos de regressão logística
• Aplicar técnicas de análise de séries temporais
• Selecionar abordagens apropriadas para análise preditiva em diferentes contextos

Módulo 4: Redes Neurais e Deep Learning

Redes Neurais e Deep Learning

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

• Compreender os fundamentos de redes neurais artificiais
• Entender os princípios e aplicações de Deep Learning
• Aplicar diversas técnicas, métodos e arquiteturas de redes neurais
• Utilizar redes convolucionais modernas
• Implementar aplicações práticas de redes convolucionais e deep learning
• Avaliar e otimizar o desempenho de modelos de deep learning
• Compreender as diferenças entre diversos tipos de redes neurais e suas aplicações específicas

Frameworks para Deep Learning

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

• Utilizar frameworks como Keras, Tensorflow e Pytorch para construir e treinar modelos de deep learning.
• Desenvolver soluções de classificação e regressão usando deep learning
• Monitorar e avaliar o desempenho de modelos de deep learning
• Implementar e gerenciar pipelines de deep learning  
• Compreender e aplicar conceitos de AutoML

Redes Neurais Recorrentes e Transformadores

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

• Compreender e aplicar os fundamentos de Redes Neurais Recorrentes (RNNs)
• Implementar e utilizar diferentes arquiteturas de RNNs, incluindo LSTM e GRU
• Entender os princípios fundamentais dos Transformadores e sua arquitetura
• Aplicar mecanismos de atenção em modelos de processamento de sequências
• Conhecer e utilizar diferentes tipos de transformers, como BERT, GPT e XLNet
• Implementar e treinar modelos baseados em RNNs e Transformadores
• Avaliar o desempenho de modelos RNN e Transformers usando métricas apropriadas
• Compreender os fundamentos e aplicações de LLMs
• Desenvolver projetos práticos utilizando RNNs e Transformadores para tarefas de processamento de sequências

Redes Neurais Generativas

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

• Compreender os princípios fundamentais das Redes Neurais Generativas (RNGs)
• Conhecer os tipos de RNGs, incluindo Autoencoders, Variational Autoencoders (VAEs) e Redes Neurais Adversariais Generativas (GANs)
• Desenvolver e treinar Autoencoders, VAEs e GANs utilizando bibliotecas apropriadas.
• Projetar e implementar Redes Neurais Adversariais Generativas (GANs)
• Compreender e implementar modelos de difusão para geração de imagens
• Realizar síntese de imagens utilizando diferentes tipos de RNGs
• Implementar técnicas de regularização em Redes Neurais Generativas
• Desenvolver métodos para melhorar a interpretabilidade e explicabilidade de modelos generativos
• Criar projetos práticos envolvendo diferentes tipos de Redes Neurais Generativas

Módulo 5: Aplicações Específicas, controle e Ética

Análise de Imagem e Visão Computacional

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

• Compreender os fundamentos e tipos de visão computacional
• Manipular e processar imagens digitais usando OpenCV
• Implementar técnicas de recuperação de imagens baseadas em conteúdo visual
• Projetar e treinar Redes Neurais Convolucionais (CNNs) para classificação de imagens
• Aplicar estratégias de data augmentation para melhorar o desempenho de modelos
• Utilizar modelos pré-treinados e técnicas de fine-tuning para tarefas específicas
• Implementar aplicações de detecção de objetos e reconhecimento facial

Aprendizado por Reforço

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

• Compreender os conceitos fundamentais do Aprendizado por Reforço
• Formular problemas em termos de espaço de ação, espaço de estado e ambiente
• Implementar e utilizar algoritmos como Q-learning e Deep Q-Network
• Aplicar o Processo de Decisão de Markov (MDP) em problemas de aprendizado por reforço
• Compreender e implementar técnicas de Aprendizado Online, Ativo e Semi-Supervisionado
• Utilizar bibliotecas e frameworks relevantes para Aprendizado por Reforço

Processamento de Linguagem Natural

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

• Aplicar algoritmos de PNL para tarefas de processamento e análise de texto.
• Desenvolver modelos de linguagem, exercendo técnicas como tokenização e lematização.
• Criar aplicações de PNL para extração de informações e reconhecimento de entidades nomeadas.
• Projetar e implementar aplicações práticas de NLP

Análise de Sentimentos e Sistemas de Recomendação

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

• Implementar técnicas de classificação de sentimentos em textos
• Processar e preparar dados para análise de sentimentos
• Desenvolver modelos para análise de sentimentos em diferentes níveis (polaridade, intensidade, etc.)
• Compreender e aplicar conceitos de sistemas de recomendação
• Implementar métodos de filtragem colaborativa
• Desenvolver e implantar sistemas de recomendação completos
• Avaliar o desempenho de sistemas de análise de sentimentos e recomendação usando métricas apropriadas

Cultura e Práticas DataOps e MLOps

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

• Desenvolver infraestruturas de dados e machine learning como código (IaC)
• Projetar e gerenciar pipelines eficientes para soluções de machine learning
• Implementar práticas de DataOps e MLOps para otimizar o ciclo de vida de desenvolvimento e implantação de modelos

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 DO CURSO

*Atenta as tendências de mercado e visando desenvolver a compreensão do ser humano frente às ambiguidades existenciais e sócio religiosas da contemporaneidade, a PUC Minas Virtual disponibilizará como disciplina bônus, além das disciplinas previstas para cada um de seus cursos, a disciplina Humanidades.

Confira as ementas AQUI.