Temos visto uma verdadeira explosão de aplicativos de inteligência artificial e aprendizado de máquina, mas as previsões para os próximos anos são ainda mais otimistas. A previsão é que todos os setores da economia serão impactados pelos resultados de aplicações com inteligência artificial e aprendizado de máquina, potencializando o surgimento de soluções inovadoras e disruptivas para formatos de negócios mais competitivos. Neste contexto, este curso objetiva colaborar para a formação do profissional de inteligência artificial para que ele possa conduzir o planejamento, a construção e a validação de iniciativas de soluções em aprendizado de máquina. Através de disciplinas práticas, os alunos são conduzidos a estudar e experimentar conceitos como: técnicas e métodos de machine learning, redes neurais e deep leaning, aprendizado por reforço, redes neurais recorrentes e generativas, análise de imagem, sistemas de recomendação, processamento de linguagem natural, MLOps, DataOps e os principais cuidados com a modelagem e preparação dos dados.
Titulação: Especialista
COMO FUNCIONA A MODALIDADE
A modalidade EAD com aulas gravadas possui todas as disciplinas no formato assíncrono, ou seja, o aluno conta com a flexibilidade de assistir as aulas onde, quando e quantas vezes desejar. O material utilizado nas disciplinas fica disponível durante os 18 meses do curso (prazo máximo para conclusão).
O Curso de Especialização em Inteligência Artificial e Aprendizado de Máquina visa:
Desenvolver uma compreensão abrangente dos fundamentos teóricos e práticos da Inteligência Artificial, abrangendo áreas como estatística, Machine Learning, Deep Learning e Processamento de Linguagem Natural;
Capacitar os alunos a coletar, preparar, analisar e visualizar dados, utilizando ferramentas e técnicas de data discovery e analytics;
Ensinar a aplicação prática de ferramentas e plataformas utilizadas em Ciência de Dados, Deep Learning e Visão Computacional, como Python, Keras, TensorFlow, OpenCV, entre outras;
Capacitar os alunos a projetar, implementar e avaliar modelos de Machine Learning e Deep Learning para resolver problemas de diversas áreas;
Capacitar os alunos a trabalhar com diferentes tipos de dados e aplicações de IA incluindo processamento de imagens, visão computacional, análise de texto e séries temporais;
Abordar temas avançados de IA, como redes neurais generativas, aprendizado por reforço e transformadores;
Preparar os alunos para implementar soluções de IA considerando práticas de DataOps e MLOps;
Desenvolver habilidades em análise de sentimentos e sistemas de recomendação;
Promover uma reflexão ética sobre o impacto da IA na sociedade.
Competências a serem desenvolvidas
Ao final do curso, o aluno será capaz de:
Entender os conceitos e as principais técnicas de aprendizado de máquina e análise de dados;
Explorar, analisar e comunicar insights a partir de conjuntos de dados, utilizando ferramentas de Data Discovery;
Aplicar métodos estatísticos para a análise de dados, incluindo estatística descritiva, inferência estatística e regressão;
Implementar e gerenciar pipelines de dados e modelos de Machine Learning, aplicando práticas de DataOps e MLOps;
Desenvolver e validar modelos preditivos, utilizando técnicas de regressão e análise de séries temporais;
Implementar algoritmos de aprendizado supervisionado e não-supervisionado, desenvolver modelos com redes neurais profundas e arquiteturas como CNNs e RNNs;
Utilizar frameworks como Keras, TensorFlow e PyTorch para construir, treinar e implementar deep learning;
Desenvolver aplicações de visão computacional, realizando processamento de imagem, classificação e detecção de objetos;
Aplicar técnicas de PLN para análise de texto;
Construir e avaliar sistemas de recomendação e executar análise de sentimentos;
Desenvolver e treinar redes neurais generativas e aplicar aprendizado por reforço em diferentes contextos.
Áreas de atuação do egresso
O especialista em Inteligência Artificial e Aprendizado de Máquina poderá atuar como Engenheiro de IA ou variações, como Cientista de Dados e Analista de Dados, que irão desenvolver projetos relacionados à análise e apresentação de dados e elaborar e usar ferramentas preditivas para análise de dados e geração de conhecimento. Além disso, ele poderá atuar nos mais diversos tipos de projetos inovadores em TI.
ÁREAS DE ATUAÇÃO DO EGRESSO
PÚBLICO-ALVO
Profissionais com formação superior:
Em Ciência da Computação, Engenharia de Computação, Engenharia de Software, Sistemas de Informação e tecnólogos da área de Tecnologia da Informação e outros cursos correlatos com sólidos conhecimentos na área de computação;
Que atuam em Inteligência de Negócios e TI, analistas de negócios, analistas de redes sociais e mídias e outros profissionais com interesse em tecnologias, métodos e técnicas para análise de dados no apoio a tomada de decisão;
Que atuam ou pretendem atuar em pesquisa e desenvolvimento para soluções inovadoras e inteligentes.
PROGRAMA DO CURSO
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
Data Discovery e Analytics
Estatística Geral - Teoria e Aplicações
Python para Ciência de Dados
Preparação e Integração de Dados
Modelos Estatísticos
Machine Learning
Cultura e Práticas Dataops e Mlops
Redes Neurais e Deep Learning
Frameworks para Deep Learning
Análise de Imagem e Visão Computacional
Processamento de Linguagem Natural
Redes Neurais Recorrentes e Transformadores
Redes Neurais Generativas
Aprendizado por Reforço
Análise de Sentimentos e Sistemas de Recomendação
Humanidades*
*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.
O corpo docente poderá sofrer alteração em caso de alguma eventualidade.
ACESSO AO CURSO
A liberação das aulas será em até 72h após a realização da matricula.
INSCRIÇÃO E MATRÍCULA
O processo é realizado em duas fases:
1. INSCRIÇÃO
- Ao clicar no botão Quero me Inscrever, o candidato deverá seguir as etapas do processo, que acontece dentro do portal de inscrições Vem Pra PUC.
- Na página inicial do curso escolhe a forma de pagamento, parcelada ou à vista;
- O pagamento da 1ª parcela deve ser realizado, via cartão ou boleto, a título de confirmação da inscrição. Caso opte pelo pagamento da 1ª parcela via boleto bancário, o vencimento será de até 5 dias corridos e, após o pagamento, o processamento poderá ser em até 72 horas.
- Após a conclusão desta fase, o candidato receberá um e-mail com a confirmação da inscrição.
Informamos que estamos com instabilidade no processamento da baixa de pagamentos realizados via boleto bancário.
Para confirmação da matrícula em até 72 horas, é necessário a confirmação do pagamento por cartão de crédito.
A partir da 2ª parcela, os boletos serão enviados por e-mail, 10 dias antes do vencimento, para pagamento sem encargos até o 5º dia útil.
2. MATRÍCULA
O candidato receberá e-mail com o link do Painel do candidato para cumprir três procedimentos:
- atualização dos dados cadastrais;
- upload da documentação necessária. Confira AQUI a lista dos documentos necessários;
- adesão ao termo de matrícula.
FAÇA A SUA MATRÍCULA E GANHE O MÓDULO IA APLICADA Saiba mais sobre o módulo AQUI.
PAINEL DO CANDIDATO
Caso não receba o e-mail da matrícula, o candidato poderá acessar o ambiente Painel do candidato e seguir com os passos para a realização do processo por lá. Além disso, ele conseguirá acompanhar as informações da matrícula e consultar o status do curso.
IMPORTANTE
Somente após a realização da inscrição que o candidato estará apto a seguir para a etapa da matrícula.
A realização do upload dos documentos exigidos na fase de matrícula é obrigatória para a continuidade do processo.
Etapas de inscrição e matrícula finalizadas? Agora o candidato deverá aguardar as informações e orientações que serão enviadas por e-mail e também disponibilizadas no Painel do Candidato.
ATENÇÃO • REQUISITO PREVISTO EM LEI
Apenas os candidatos que tenham colado grau na graduação poderão se inscrever para um curso de pós-graduação da PUC Minas. Este é um requisito previsto na Lei nº 9.394 e também no Contrato de Prestação de Serviços (clique AQUIpara ter acesso). A conferência desse requisito será feita pela PUC Minas e, caso seja identificada alguma irregularidade, a matrícula será cancelada a qualquer momento (conforme cláusula 4.5.1 do contrato). Neste caso, o candidato não terá direito ao recebimento de reembolso dos valores já pagos.
Migração de cursos:
Caso você tenha realizado a sua inscrição e o pagamento, mas queira mudar de opção de curso, clique aqui e faça a sua solicitação de migração. A nossa equipe irá receber a sua solicitação e dar andamento.
Caso não receba as mensagens da PUC Minas, confira sempre a sua caixa de spam.
Ocorreu um erro ao gerar a seção EAD - Column 'Inscricao' does not belong to table EAD - Especialização - Informações comuns dos cursos..
System.ArgumentException: Column 'CertificacaoCurta' does not belong to table EAD - Especialização - Informações comuns dos cursos.
at System.Data.DataRow.GetDataColumn(String columnName)
at System.Data.DataRow.get_Item(String columnName)
at SMC.WebServices.SMC_WebServices.GenerateEADSectionDireita(String siteUrl, String webUrl, String origem, DataRow linha)
Não decidiu qual curso fazer? Faça um teste de orientação profissional para ajudar você na sua escolha.
