MBA

Machine Learning

A pós-graduação objetiva colaborar para a formação do analista de soluções em Machine Learning, abordando conceitos e práticas afim de construir e implementar modelos analíticos usando algoritmos inteligentes que possuem a capacidade de aprendizado.

8 meses
21 de novembro de 2019
20 de novembro de 2019
Consulte

Forme-se um

Analista de Machine Learning

Conduza iniciativas que envolvam o planejamento, modelagem, construção e validação das mais modernas e avançadas técnicas de Machine Learning. Esteja preparado para aplicar a Inteligência Artificial nos mais diversos tipos de problemas presentes em um ambiente organizacional.

Motivos para fazer sua pós no IGTI

O IGTI é referência nacional em Pós-graduação e formação profissional em TI e Tecnologias Emergentes.

50 alunos por aula interativa

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

100% Interativo

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

85% de Satisfação

Este é o percentual de alunos que avaliam as suas disciplinas com 4 ou 5 estrelas.

Faça seu MBA como um Bootcamp aplicável ao mercado

Estude intercalando disciplinas práticas com atividades do projeto aplicado do curso.
8 meses
Apresentação, Modelo de Ensino e Normas Acadêmicas
Apresentação, Modelo de Ensino e Normas Acadêmicas
22h
O IGTI - Instituto de Gestão em Tecnologia da Informação. Canais de Atendimento ao Aluno. Modelo de Ensino. Estrutura das disciplinas. Normas Acadêmicas. O Trabalho de Conclusão do Curso – TCC. Visão Geral do Ambiente de Ensino a Distância.
Fundamentos de Aprendizado de Máquina
Fundamentos de Aprendizado de Máquina
22h
Introdução ao Aprendizado de Máquina (Machine Learning). Conceitos básicos de: Sistemas Especialistas, Algoritmos de Aprendizado Supervisionado, Algoritmos de Aprendizado Não-supervisionado, Classificação e regressão, Sistemas de recomendação, Redes Neurais e Deep Learning, Aprendizado por Reforço (Reinforcement Learning), Processo de decisão de Markov (MDP) e Processamento de Texto e Análise de Sentimentos. Principais aplicações de Aprendizado de Máquina. Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.
Inovação e Design Thinking
Inovação e Design Thinking
22h
O conceito de inovação. Soluções inovadoras com Design Thinking. Processo do Design Thinking: inspiração, descoberta e insights; interpretação, análise e síntese. Ideação, experimentação e prototipação de soluções. Técnicas de implementação e evolução de soluções.
Desafio/Problema
Desafio/Problema
20h
Após a disciplina de Inovação e Design Thinking, o aluno tem a oportunidade de propor o escopo do problema e a solução de seu projeto aplicado, utilizando as abordagens aprendidas até o momento sobre Inovação e Design Thinking. Durante esse período o aluno apresentará a sua proposta de desafio por meio de uma abordagem centrada nas necessidades humanas dos usuários e na definição do problema em termos destas necessidades. Em conjunto o aluno evoluirá a sua proposta de escopo do problema para uma proposta de solução. A partir daí, ambas propostas serão avaliadas por professsoes orientadores por meio de um conjunto de requisitos avaliativos que nortearão feedbacks escritos direcionados à melhoria do PA. O processo de elaboração do PA é iterativo e incremental e a cada iteração o aluno receberá feedbacks por escrito de seu orientador, o que contribuirá para a evolução constante do modelo de negócio até a sua apresentação final.
Aplicações de Aprendizado de Máquina para IoT
Aplicações de Aprendizado de Máquina para IoT
22h
Aplicações de Aprendizado de Máquina para IoT Aplicações da análise estatística de dados no mundo corporativo. Assegurando a qualidade dos dados. Analisando o comportamento estatístico de indicadores corporativos. Melhorando a qualidade de processos e produtos. Analisando a probabilidade de eventos de interesse.
Primeira Iteração
Primeira Iteração
10h
Durante a Primeira Iteração do Projeto Aplicado, o aluno tem a oportunidade de planejar e executar o desenvolvimento dos requisitos iniciais de seu projeto, utilizando para isso as competências e habilidades adquiridas em sua última disciplina. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Visão computacional com ênfase em Deep Learning
Visão computacional com ênfase em Deep Learning
22h
Introdução à Visão computacional com Deep Learning: Engenharia de Feature. Convolutional Neural Networks (CNNs): Introdução; Arquitetura (VGG); Aplicações. Recurrent Neural Networks (RNNs): Introdução; Arquitetura; Aplicações. GAN. ImageNet. Técnicas de Análise de Vídeo. Classificação e clusterização de imagens. Aplicações com veículos autônomos.
Segunda Iteração
Segunda Iteração
10h
Durante a Segunda Iteração do Projeto Aplicado, o aluno tem a oportunidade de planejar e executar o desenvolvimento dos requisitos intermediários de seu projeto, utilizando para isso as competências e habilidades adquiridas em sua última disciplina. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Desenvolvimento
Desenvolvimento
20h
A etapa de Desenvolvimento é um marco na produção do Projeto Aplicado. Nesse momento o aluno, em conjunto com o seu orientador, poderá fazer uma avaliação do andamento do desenvolvimento ocorrido nas iterações anteriores e realizar correções que porventura sejam necessárias. Além disso, os requisitos gerais do projeto poderão ser revistos e avaliados, com o objetivo de manter o planejamento atualizado.
Metodologias de Aprendizado
Metodologias de Aprendizado
22h
Aprendizado de máquina supervisionado. Algoritmos de aprendizado supervisionado. Redes neurais artificiais. Deep Learning. Aprendizado de máquina não-supervisionado. Algoritmos de aprendizado não supervisionado. Introdução ao Aprendizado de Máquina por reforço. Exploração e generalização. Aprendizado de Máquina por reforço online e batch. Teoria dos jogos. Agente e multiagente. Processo de decisão de Markov (MDP). Deep Reinforcement Learning Algorithm. Aplicações.
Terceira Iteração
Terceira Iteração
10h
Durante a Terceira Iteração do Projeto Aplicado, o aluno tem a oportunidade de planejar e executar o desenvolvimento dos requisitos intermediários de seu projeto, utilizando para isso as competências e habilidades adquiridas em sua última disciplina. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Seleção de Modelos de Aprendizado de Máquina
Seleção de Modelos de Aprendizado de Máquina
22h
Cross-Validation para validação e seleção de modelos. Estimativa de desempenho de modelos. Métricas para modelos: Acurácia, Classificação, Regressão, Agrupamento e Métricas multilabel. Escolha de algoritmos. Configuração/Parametrização adequada de algoritmos. Tuning: Randomized Parameter Optimization, Força Bruta e Exhaustive Grid Search. Medidas de qualidade. Avaliação da qualidade de uma solução. Curvas de validação. Curvas de aprendizado.
Quarta Iteração
Quarta Iteração
10h
Durante a Quarta Iteração do Projeto Aplicado, o aluno tem a oportunidade de planejar e executar o desenvolvimento dos requisitos intermediários de seu projeto, utilizando para isso as competências e habilidades adquiridas em sua última disciplina. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Sistemas de Recomendação
Sistemas de Recomendação
22h
Introdução aos sistemas de recomendação. Métodos para recomendações: Medidas de similaridade, Amostragem e Dimensão reduzida, Recomendação por associação e Classificação. Nearest Neighbors. Árvores de Decisão (Decision Trees). Classificadores Bayesianos. Ensembles. Filtragem Colaborativa para recomendação. Agrupamento K-means aplicado à Sistemas de Recomendação.
Quinta Iteração
Quinta Iteração
10h
Essa iteração antecede a Qualificação, que é um marco muito importante no desenvolvimento do PA. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Qualificação
Qualificação
20h
A Qualificação trata-se de uma oportunidade que o aluno tem de apresentar ao seu orientador os requisitos desenvolvidos até o momento. O orientador, por sua vez, avaliará o trabalho já realizado, esclarecerá dúvidas e fornecerá orientações essenciais para a correção e evolução do Projeto Aplicado.
Modelos preditivos e séries temporais
Modelos preditivos e séries temporais
22h
Introdução à Modelagem Preditiva. Passos para a construção de um Modelo Preditivo. Over-Fitting. Resampling. Boosting. Algoritmos para construção de Modelos Preditivos: KNN, Support Vector Machines (SVM), Redes Neurais Artificiais, Random Forest, Boosted Trees, CART (Classification and Regression Trees) e Regression. Comparação entre modelos. Aplicações de Modelos Preditivos: Meteorologia, Mapas de crimes, Previsões estatísticas, Manutenção de aeronaves, Atividades fraudulentas, CRM, Previsão de catástrofes e Bolsa de valores.
Sexta Iteração
Sexta Iteração
10h
A Sexta Iteração do Projeto Aplicado é onde o aluno já começa a planejar e executar o desenvolvimento dos requisitos finais do seu Projeto Aplicado, utilizando para isso as competências e habilidades adquiridas em sua última disciplina e em todo o curso. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos.
Processamento de Linguagem Natural
Processamento de Linguagem Natural
22h
Introdução ao Processamento da Linguagem Natural. Estrutura e sintaxe da linguagem. Técnicas de pré-processamento de textos. Word2Vec. BagOfWords Glove. Arquitetura de Processamento da Linguagem Natural. Coleta de dados Web e redes sociais. Análise de Sentimento. Análise semântica. Desambiguação. Processamento de textos. Tradução de textos. Análise de similaridade. Algoritmos de classificação textual (Naive Bayes e SVM). Similaridade entre textos (k-means e Affinity Propagation).
Sétima Iteração
Sétima Iteração
10h
Na Sétima Iteração do Projeto Aplicado o aluno desenvolve os últimos requisitos de seu projeto antes da criação do relatório final, que é o último artefato a ser produzido. Para isso serão utilizadas as competências e habilidades adquiridas em sua última disciplina e em todo o curso. Ao final desta iteração, o aluno deverá realizar um confronto entre o que foi planejado nesta iteração e o que foi realmente executado, gerando artefatos que comprovam o planejamento e execução dos requisitos e se preparando para a apresentação final do projeto.
Relatório Final
Relatório Final
20h
O Relatório Final é o principal artefato do Projeto Aplicado, pois nele o aluno irá apresentar todas as etapas de desenvolvimento do seu projeto, desde o desafio, passando pela solução e chegando ao detalhamento das iterações que materializa a solução. Este artefato é submetido à apreciação do orientador e conduzirá o projeto desenvolvido para a banca avaliadora, na etapa seguinte.
Banca
Banca
O Relatório Final é o principal artefato do Projeto Aplicado, pois nele o aluno irá apresentar todas as etapas de desenvolvimento do seu projeto, desde o desafio, passando pela solução e chegando ao detalhamento das iterações que materializa a solução. Este artefato é submetido à apreciação do orientador e conduzirá o projeto desenvolvido para a banca avaliadora, na etapa seguinte.
Projeto aplicado com foco em Inovação

O curso convida o aluno a propor soluções para problemas com alto grau de incerteza, a partir de uma abordagem focada na prototipação de soluções e ideias inovadoras.

Conhecer mais

Linhas de Especialização do Projeto Aplicado

O Projeto Aplicado substitui o tradicional Trabalho de Conclusão de Curso.
Tudo o que é desenvolvido é prático.

Machine Learning aplicado ao Processamento de Textos

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas de Processamento de Textos, envolvendo e incluindo as etapas de coleta, pré-processamento, indexação e análise dos dados.

A quem se destina?

Destina-se especialmente ao profissional especialista em Machine Learning que irá propor e implementar soluções que envolvem a análise automatizada de textos nas mais diversas áreas. Além disso, temos os perfis secundários que são os interessados nas informações que serão geradas, que pode ser desde o Analista de Mídias Sociais, passando por gestores de diversos setores de uma organização (marketing, finanças, vendas, jurídico, etc.) e chegando até a diretoria estratégica.

Machine Learning Aplicado aos Sistemas de Recomendação

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas utilizadas para criar Sistemas de Recomendação Inteligentes.

A quem se destina?

Destina-se especialmente ao profissional especialista em Machine Learning que irá propor e implementar soluções que envolvam a modelagem e implementação de Sistemas de Recomendação nas mais diversas áreas de negócios. Além disso, temos os perfis secundários – aqueles interessados nas informações e resultados que serão gerados –, que podem ser desde o Analista de Produto ou Conteúdo, passando por gestores de diversos setores de uma organização (marketing, finanças, vendas, etc.) e chegando até a diretoria estratégica.

Machine Learning Aplicada à Internet das Coisas

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas de Machine Learning aplicadas a dispositivos que fazem parte da Internet das Coisas (IoT).

A quem se destina?

Destina-se especialmente ao profissional especialista em Machine Learning que irá propor e implementar soluções que envolvam interação com dispositivos da Internet das Coisas (IoT), dos mais diferentes tipos e propósitos. Além disso, temos os perfis secundários – interessados nas informações e nos resultados que serão gerados –, que podem ser os gestores de diversos setores de uma organização (marketing, finanças, vendas, etc.) e até a diretoria estratégica.

Pratique o que você aprendeu

Desenvolva um projeto aplicado contextualizado, práticas de laboratórios e dinâmica de jogos.

Aprenda com os melhores

Estude de forma interativa com um time de profissionais experientes e atuantes no mercado.

Conhecer todos os nossos professores
Alex Talles
MBA em Gestão de Processos de Negócio, IBMEC

Mais de 12 anos de experiência como Analista de Sistema, abrangendo as áreas: Especificação de requisitos funcionais e técnicos, desenvolvimento de protótipos navegáveis, desenvolvimento de aplicações em Java, análise e modelagem de processos de negócio. Atuação em projetos de diversos segmentos de mercado. Experiência no mercado de Startups.

Otávio Augusto Malheiros Rodrigues
Mestre em Modelagem Matemática Computacional, CEFET-MG

Experiência com Análise de sistemas e Back-end. Há 3 anos trabalhando diretamente com Ciência de Dados em soluções de mineração de dados e aprendizado de máquina visando criação de modelos preditivos e de auxílio a decisões.

Leonardo Vilela Ribeiro
MBA em Banco de Dados e Business Inteligence

Profissional de Arquitetura de Big Data e Cientista de Dados com projetos e pesquisas em Classificação de textos através de NLP( Natural Language Processing).Detecção de anomalias para manutenção preventiva em plataformas industriais através de Aprendizado de Máquina e Deep Learning.

Rômulo Leonardo Vieira da Silva
Pós-graduação em Business Intelligence, PUC Minas

Especialista em TI com atuação em Desenvolvimento, Análise de Sistemas e Negócios, Governança de Dados, Projetos de Business Intelligence e Arquitetura de Dados em empresas de Telefonia, Planos de Saúde, Bancário e Logística. Domínio em linguagens (R, Python, SQL) e softwares de análise de dados, desenvolvendo códigos, funções e algoritmos que farão parte de projetos, processos e arquitetura de dados e sistemas de TI.

Túlio Philipe Ferreira e Vieira
Doutorando em Modelagem Matemática Computacional, CEFET-MG

Mais de 5 anos de experiência desenvolvendo projetos aplicados nas áreas de internet das coisas e cidades inteligentes por meio da utilização de algoritmos baseados em inteligência computacional e estatística. Possui artigos publicados em revistas e congressos internacionais sobre aprendizado de máquina e otimização, além da publicação de um livro didático sobre o tema Internet das Coisas.

Daniel Eugênio Neves
Doutorando, Mestre e Especialista em Informática, PUC Minas.

Trabalha com o desenvolvimento de softwares desde 2008, atuando em projetos diversos, que incluem análise, arquitetura e desenvolvimento de sistemas. Atualmente dedica sua pesquisa a algoritmos e modelos de deep learning e reinforcement learning e atua em projetos de análise de dados, geração e predição de indicadores, automação de processos de negócio e sistemas de recomendação.

Patrícia de Fátima e Almeida
Especialista em BI, Eng. Software e Gestão de Negócios

Mais de 30 anos de experiência em Tecnologia da Informação atuando como analista de sistemas e de suporte básico e coordenadora de projetos em empresas nacionais e multinacionais.

Bruno Rafael de Oliveira Rodrigues
Doutorando em Sistemas de Informação na Universidade FUMEC

Possui mais de sete anos de experiência como analista de desenvolvimento de sistemas e como professor e conteudista. Atualmente é, também, pesquisador nas áreas de Engenharia de Software e Machine Learning, com artigos publicados nacionalmente e internacionalmente. Atuou por 7 anos nas áreas de redes de computadores, automação comercial, cabeamento estruturado e servidores Windows Server e Linux.

Guilherme Miglio Doxa
Mestre em Engenharia Elétrica, PUC Minas

Mais de 15 anos de experiência em desenvolvimento de sistemas, sendo destes 10 anos anos em sistemas embarcados para a área automotiva e os outros para a área de conectividade.

Vinícius Tolentino
Mestre e doutorando em Administração na PUC/MG

É doutor e mestre em Administração. Atua há mais de uma década como Analista de Dados. É especialista em Baco de Dados e BI.

Alberto de Sá Cavalcanti de Albuquerque
Mestre em Ciência da Computação, UFMG

Desenvolvedor de Software e líder técnico com mais de 9 anos de experiência em trabalho com as melhores práticas Atuação acadêmica relevante na área de Machine Learning, com duas publicações em conferências internacionais de renome.

Realize uma videoconferência gratuita com um professor

Em dúvida sobre o curso mais adequado ao seu perfil?
Gostaria de conhecer melhor o nosso modelo de ensino?

Agendar videoconferência

Processo seletivo

O processo seletivo do IGTI é simples e permite você conhecer melhor nossa cultura.
1
Solicitar videoconferência

Tire todas as suas dúvidas com um professor, receba orientações sobre seu curso e faça uma análise de perfil.

Agendar
2
Confirmar dia e horário

No prazo máximo de um dia útil, entramos em contato para esclarecer dúvidas, solicitar o seu currículo e agendar a videoconferência.

3
Participar da videoconferência

Após recebermos o seu currículo, participe da videoconferência com o professor.

4
Realizar matrícula

Após ser informado de sua aprovação, você recebe o link do Contrato de Pós-graduação para anexo da documentação necessária e assinatura eletrônica.

Faça sua matrícula antecipadamente e ganhe até R$ 1.000,00 em desconto

Estude na melhor escola de Pós-graduação em TI do país.

Invista em sua carreira profissional e certifique os seus conhecimentos.

Opte por planos de pagamento conforme a sua necessidade.

Consultar planos

O IGTI está no grupo de excelência do MEC

Com 14 anos de mercado, o IGTI é referência em pós-graduação em TI no Brasil.

Consultar credenciamento

Na dúvida?
Experimente uma aula grátis!

Que tal experimentar nosso ambiente de ensino para sentir como o IGTI ajudará você a conectar com seu futuro?

Experimentar aula grátis