Inteligência Artificial e Aprendizado de Máquina

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.