Machine Learning – IGTI
Popup

MBA

Machine Learning

O objetivo desta pós-graduação é formar o profissional capacitado para atuar na modelagem, construção e aplicação das técnicas e frameworks para a solução de problemas através do aprendizado de máquina. Desse modo, o profissional será capaz de avaliar cenários, definir qual é a melhor técnica ou modelo a ser utilizado, ajustar parâmetros e resolver problemas através do aprendizado de máquina

8 meses
29 de julho de 2021
28 de julho de 2021
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.

93% de Retenção

Taxa de alunos que concluem o curso muito superior à média de mercado para EAD.

100% Interativo

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

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
BOOTCAMP ENGENHEIRO(A) MACHINE LEARNING
BOOTCAMP ENGENHEIRO(A) MACHINE LEARNING
148h
Na primeira parte do curso, você será habilitado para modelar, construir e aplicar técnicas e frameworks para a solução de problemas através do aprendizado de máquina. Desse modo, seja capaz de avaliar cenários, definir melhores técnicas ou modelos a serem utilizados, ajuste parâmetros e resolva problemas através do aprendizado de máquina.
Aquecimento e Regras do jogo
Aquecimento e Regras do jogo
10h
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 machine learning
Fundamentos de machine learning
- Introdução ao Aprendizado de Máquina (Machine Learning);
-Conceitos básicos de Sistemas Especialistas;
- Algoritmos de Aprendizado Supervisionado;
- Algoritmos de Aprendizado Não-supervisionado; 
- Conceitos de Classificação e regressão;
- Sistemas de recomendação;
- Redes Neurais e Deep Learning; 
- Aprendizado por Reforço (Reinforcement Learning); 
- 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.
Modelos preditivos e séries temporais
Modelos preditivos e séries temporais
- Introdução à Modelagem Preditiva;
- Passos para a construção de um Modelo Preditivo;
- Resampling, Boosting;
- Algoritmos para construção de Modelos Preditivos;
- Comparação entre modelos;
- Aplicações de Modelos Preditivos;
- Séries temporais;
- Modelos paramétricos para a análise de séries temporais;
- RNR e CNN para a previsão de séries temporais.
Seleção de Modelos de Aprendizado de Máquina
Seleção de Modelos de Aprendizado de Máquina
- Cross-Validation para validação e seleção de modelos;
- Estimativa de desempenho de modelos;
- Escolha de algoritmos;
- Configuração/Parametrização adequada de algoritmos;
- Tuning, Randomized Parameter, Optimization, Força bruta, Exhaustive Grid - Search.
- Medidas de qualidade;
- Avaliação da qualidade de uma solução;
- Curvas de validação e Curvas de aprendizado.
Metodologias de Aprendizado
Metodologias de Aprendizado
- Algoritmos de aprendizado de máquina supervisionado e não supervisionado;
- Redes neurais artificiais;
- Deep Learning;
- Exploração e generalização;
- Aprendizado de Máquina por reforço online e batch;
- Teoria dos jogos;
- Agente e multiagente;
- Processo de decisão de Markov (MDP);
- Aplicações;
- Deploy de modelos (flask/django).
Desafio Final
Desafio Final
BOOTCAMP ANALISTA MACHINE LEARNING
BOOTCAMP ANALISTA MACHINE LEARNING
148h
Atue na resolução de problemas em diferentes áreas através da aplicação dos conceitos e ferramentas de aprendizado de máquina.
Fundamentos de Deep Learning
Fundamentos de Deep Learning
-Introdução, Ordem Cronológica e História das Redes Neurais Artificiais;
-Características básicas de Redes Neurais Artificiais;
-Estrutura do neurônio artificial;
-Funções de Ativação, Perda e Custo;
-Descida do Gradiente;
-Learning Rate;
-O modelo MCP;
-Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não- Supervisionado);
-Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);
-AlexNet;
-Algoritmo Backpropagation;
-Redes de Função de Base Radial;
-GAN, GRU e LSTM;
-Aplicações de Redes Neurais Artificiais;
-Reconhecimento de padrões;
-Classificação de imagens;
-Séries Temporais;
-Geração de conteúdo;
-Precificação Dinâmica;
-Convolutional Neural Networks (CNN);
-Definição da quantidade de camadas e do número de neurônios;
-Redes Neurais Recorrentes (RNR) e Recursivas (Recurrent and Recursive -Neural Networks);
Processamento de Linguagem Natural
Processamento de Linguagem Natural
-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;
Sistemas de Recomendação
Sistemas de Recomendação
-Introdução aos sistemas de recomendação;
-Métodos para recomendações;
-Medidas de similaridade;
-Amostragem;
-Dimensão reduzida;
-Recomendação por associação;
-Filtragem Colaborativa para recomendação;
-Filtragem baseada em conteúdo;
-Filtragem Demográfica;
-Agrupamento K-means aplicado à Sistemas de Recomendação;
-Análise de Correlação aplicada à Sistemas de Recomendação;
-Métrica para avaliação de sistemas de recomendação.
Aplicações de Aprendizado de Máquina para IoT
Aplicações de Aprendizado de Máquina para IoT
-Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/gateways);
-Elementos constituintes e características dos dispositivos IoT;
-Particularidades dos dados gerados pelos dispositivos IoT;
-Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data warehouse etc);
-Computação em nuvem, neblina e edge na IoT;
-Dispositivos para IoT (Arduino e Raspberry Pi);
-Análise de dados em dispositivos IoT;
-Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e governamental;
-Importância do aprendizado de máquina para a IoT;
-Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.
Desafio Final
Desafio Final
Projeto Aplicado
Projeto Aplicado
148h
O Projeto Aplicado substitui o tradicional Trabalho de Conclusão de Curso.

Tudo o que é desenvolvido é prático, assim o aluno terá que propor soluções para um problema com alto grau de incerteza, a partir de uma abordagem focada na prototipação de soluções e ideias inovadoras.
Inovação e Design Thinking
Inovação e Design Thinking
Na etapa Inovação e Design Thinking o aluno irá aprender uma abordagem para resolver problemas, fomentar a criatividade e a inovação centrada no usuário.
Desafio e Solução
Desafio e Solução
Na etapa Desafio e Solução, o aluno terá oportunidade de planejar todo o seu projeto, aplicando as técnicas aprendidas em Inovação e Design Thinking juntamente com as ferramentas utilizadas pela metodologia ágil.
Sprints
Sprints
A construção da solução é realizada por Sprints, que são etapas determinadas em espaços específicos de tempo, em que um conjunto de atividades devem ser executadas. Ao final, será feita uma entrega relevante para o desenvolvimento da solução.

Em cada Sprint o aluno incrementará o seu Projeto Aplicado, apresentando as evidências do planejamento, da execução dos requisitos e da solução. Além disso, será possível validar as hipóteses e estratégias levantadas no início do projeto.
Apresentação à Banca
Apresentação à Banca
Esta é a última etapa do Projeto Aplicado, em que o aluno irá reunir a documentação acumulada ao longo das Sprints, consolidar os resultados e defender seu trabalho na forma de "pitch" para uma banca avaliadora.
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
Túlio Philipe Ferreira e Vieira
Doutorando em Modelagem Matemática Computacional, CEFET-MG

Possui mais de 6 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. Além disso, possui artigos publicados em revistas e congressos internacionais sobre aprendizado de máquina e otimização e um livro didático sobre o tema Internet das Coisas.

André Luís Resende Monteiro
Mestre em Aprendizado de Máquina

Mais de 13 anos de experiência na área de engenharia de softwares complexos em organizações de grande porte. Liderança de projetos de inteligência artificial e análise de dados em diversas áreas de atuação.

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 um contato

No prazo máximo de um dia útil, um consultor entrará em contato para esclarecer as suas dúvidas e agendar a videoconferência com um professor do IGTI.

Solicitar contato
2
Participar da videoconferência

No dia e horário agendado, participe da videoconferência com o professor que abordará a metodologia de aprendizado do Instituto e discutirá a aderência de seu perfil ao curso de interesse.

3
Realizar a matrícula

Um dia útil após a videoconferência com o professor, o consultor do IGTI entrará novamente em contato para confirmar a sua matrícula e encaminhar, por e-mail, o contrato digital para 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