INTELIGÊNCIA ARTIFICIAL E APRENDIZADO DE MÁQUINA - 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 em Ciência de Dados e Estatística

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

Estatística Geral - Teoria e Aplicações

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

• Aplicar estatística descritiva e inferência estatística em contextos reais

• Compreender e utilizar distribuições de probabilidade e testes de hipóteses

• Realizar regressão linear simples e interpretar seus resultados

• Dimensionar amostras e aplicar diferentes técnicas de amostragem

• Utilizar softwares estatísticos e IA Generativa para análise e geração de relatórios

• Empregar engenharia de prompt para conduzir análises estatísticas automatizadas

Preparação e Integração de Dados

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

• Realizar enriquecimento, limpeza e montagem de conjuntos de dados

• Aplicar técnicas de Feature Engineering, ETL, ELT e uso de Data Lakes

• Integrar dados de múltiplas fontes utilizando ferramentas de ingestão

• Automatizar pipelines de dados com suporte de IA Generativa

• Criar documentação e dicionários de dados de forma assistida por IA

• Desenvolver aplicações de integração de dados com projeto prático

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

Módulo 2: Machine Learning e Modelagem Preditiva

Modelagem Preditiva e Séries Temporais com IA

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

• Aplicar fundamentos de modelagem preditiva, incluindo regressão linear múltipla, regressão logística e classificação binária

• Realizar análise de séries temporais com decomposição de componentes como tendência, sazonalidade e ruído

• Implementar e comparar modelos ARIMA, SARIMA e Prophet em contextos reais de previsão

• Utilizar técnicas de validação temporal (time-based cross-validation) e engenharia de atributos para melhorar a performance preditiva

• Empregar IA Generativa para diagnóstico automatizado de modelos, geração de insights e explicações interpretáveis

• Desenvolver dashboards preditivos e projetos práticos com foco em comunicação clara e tomada de decisão baseada em dados

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
  

Módulo 3: IA Avançada e Tecnologias Emergentes

Redes Neurais Recorrentes e Transformadores

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

• Compreender os fundamentos das redes neurais recorrentes (RNNs), incluindo arquiteturas LSTM e GRU

• Aplicar modelos baseados em transformadores, como BERT, GPT e XLNet, em tarefas de processamento sequencial

• Implementar e avaliar modelos com codificadores, decodificadores e mecanismos de atenção

• Utilizar técnicas de treinamento e validação para RNNs e transformadores em contextos reais

• Empregar GenAI e RAG para análise contextual, geração de código e explicações assistidas

• Desenvolver projetos práticos com aplicação de modelos sequenciais e transformadores

Processamento de Linguagem Natural e Aplicações Textuais

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

• Compreender os fundamentos do Processamento de Linguagem Natural (PLN) e suas aplicações em diferentes contextos

• Aplicar técnicas de pré-processamento textual como tokenização, lematização e remoção de stopwords

• Utilizar modelos de representação textual como Bag of Words, TF-IDF e embeddings

• Implementar modelos de classificação, análise de sentimentos e extração de informações em textos

• Criar prompts para sumarização, análise semântica e correlação de padrões linguísticos com apoio de IA

• Desenvolver projetos práticos com uso de PLN em aplicações como chatbots, motores de busca e análise documental

Inteligência Artificial Multimodal

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

• Compreender os fundamentos da análise visual multimodal e representação de dados heterogêneos

• Aplicar técnicas de fusão, alinhamento e correspondência entre diferentes modalidades de dados

• Implementar modelos de aprendizado multimodal, incluindo redes híbridas e de atendimento cruzado

• Utilizar IA para extração de features e geração de conteúdo entre modalidades (text-to-image e image-to-text)

• Desenvolver projetos práticos com integração de dados multimodais em aplicações reais

Redes Neurais Generativas

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

• Compreender os fundamentos das redes neurais generativas, incluindo autoencoders, VAEs, GANs e modelos de difusão

• Implementar e treinar modelos generativos para síntese de imagens e dados complexos

• Avaliar e regularizar modelos generativos com foco em interpretabilidade e explicabilidade

• Utilizar assistentes de IA para otimização de arquiteturas e geração automatizada de métricas de avaliação

• Empregar GenAI para análise de resultados e desenvolvimento de soluções criativas com redes generativas

• Desenvolver projetos práticos com aplicação de modelos generativos em contextos visuais e interativos

Engenharia de Agentes e IA Agêntica

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

• Compreender os fundamentos de agentes inteligentes e sistemas multiagentes, incluindo arquiteturas e taxonomias

• Projetar sistemas multiagentes com coordenação, comunicação e protocolos de negociação

• Implementar agentes baseados em LLMs com técnicas de prompting agêntico e integração de ferramentas externas

• Avaliar aspectos éticos, técnicos e sociais relacionados à governança e responsabilidade em sistemas agênticos

• Desenvolver, implantar e validar sistemas multiagentes com aplicações práticas em ambientes reais
  

Módulo 4: Automação, Operações e Projeto Final

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

Projetos em IA

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

• Definir problemas reais e propor soluções baseadas em inteligência artificial com escopo claro e objetivos mensuráveis

• Projetar arquiteturas end-to-end que integrem modelos, dados, infraestrutura e interfaces de serviço

• Implementar pipelines completos de MLOps, incluindo treinamento, validação, deploy e monitoramento de modelos

• Desenvolver APIs de serving e configurar ambientes cloud com integração a sistemas de CI/CD

• Aplicar boas práticas de documentação técnica, revisão de código, avaliação de performance e otimização contínua

• Realizar análise pós-implantação, identificar lições aprendidas e conduzir avaliação retrospectiva de projetos

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