MBA em Machine Learning

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.

Introdução à Análise de Sentimento. Análise de sentimento em redes sociais. Análise semântica. Desambiguação.
Processamento de Linguagem Natural (NLP). Estrutura e sintaxe da linguagem. Processamento de Textos.

Análise de Sentimento e Processamento de Textos. Sistemas de Recomendação. Reconhecimento de Padrões. Redes
Neurais e Deep Learning. Algoritmos de Aprendizado de Máquina Supervisionado e Não-Supervisionado. Algoritmos de classificação e agrupamento. Algoritmos de Regressão. Tendências de mercado. Novas tecnologias.

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.

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.

Frameworks de Aprendizado de Máquina: Visão geral, Quando utilizar e Características, vantagens e desvantagens. Apache Spark Mllib: Classificação, Regressão, Recomendação, Agrupamento, Modelagem e ML Workflow. Apache Mahout: Mahout Core, Mahout Interactive Shell e Algoritmos. TensorFlow: Características e funcionamento, Principais algoritmos e Deep Learning. Scikit-learn: Características e funcionamento, Classificação, Regressão, Dimensionality Reduction e Agrupamento.

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.

Importância do Reconhecimento de Padrões. Classificadores baseado em Bayes Decision Theory. Classificadores Lineares: Método dos Mínimos Quadrados e Support Vector Machines. Classificadores Não-Lineares: O problema XOR e Árvores de Decisão (Decision Trees). Algoritmos de agrupamento: Conceitos básicos e definições, Funções de proximidade (entre dois pontos, entre um ponto e um conjunto e entre dois conjuntos), Algoritmos Sequenciais, Algoritmos Hierárquicos e Algoritmos baseados em uma função de otimização. Problemas e aplicações.

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.

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.

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.

Arquiteturas de Aplicações para Dispositivos Móveis; Fundamentos de Big Data; Fundamentos de Bancos de Dados Relacionais; Fundamentos de Deep Learning; Fundamentos de Desenvolvimento Full Stack; Fundamentos de Engenharia de Dados; Fundamentos de UX; Fundamentos em Aprendizagem de Máquina; Fundamentos em Desenvolvimento Front End; Fundamentos em Gerenciamento de Projetos; Fundamentos em Inteligência de Negócios; Fundamentos em Marketing Digital; Fundamentos em Segurança da Informação; Gestão de Processos de Negócio; Governança em Tecnologia da Informação; Infraestrutura de TI e Computação em Nuvem; Métodos Ágeis em Engenharia de Software; Princípios e Práticas em Arquitetura de Software.

O aluno tomará contato com os objetivos do seu projeto aplicado, conhecimentos que serão estudados nas disciplinas e exercitados no projeto, bem como o fluxo de trabalho que será percorrido para o desenvolvimento do projeto. Neste fluxo, o aluno desenvolverá atividades essencialmente em duas frentes de trabalho: desenvolvimento do escopo do problema e proposição do escopo da solução; desenvolvimento do protótipo que implemente a solução proposta.

Após a primeira disciplina sobre Inovação, o aluno será convidado a refletir e propor o escopo do problema de seu projeto aplicado. Utilizando as abordagens aprendidas até aqui sobre Inovação e Design Thinking, o aluno apresentará a sua proposta de escopo de problema através de uma abordagem centrada nas necessidades humanas dos usuários e na definição do problema em termos destas necessidades. Esta proposta será avaliada por professores orientadores a partir de um conjunto de requisitos avaliativos que nortearão feedbacks escritos direcionados à melhoria do PA.

Nesta etapa o aluno tomará contato e desenvolverá a primeira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo.Os enunciados da primeira parte detalha aquelas primeiras dimensões técnicas que precisam ser implementadas no seu protótipo, fornecendo orientações específicas sobre como implementá-las, a fim de se obter o escopo do PA. As dimensões técnicas que serão desenvolvidas pelo aluno têm o objetivo de estender, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da primeira parte do curso.

Neste ponto faz-se necessário um encontro interativo por videoconferência entre o aluno e o seu orientador de conteúdo. O aluno terá a oportunidade de apresentar o que desenvolveu na primeira parte do seu projeto aplicado e expor os principais obstáculos enfrentados. O orientador, por sua vez, poderá avaliar o trabalho já realizado, esclarecer dúvidas e corrigir direções para o atingimento da meta final do PA.

Utilizando as abordagens aprendidas na segunda disciplina sobre Inovação e Design Thinking, o aluno deverá evoluir a sua proposta de escopo do problema para uma proposta de solução. Esta proposta será, em seguida, avaliada por professores orientadores, a partir de um conjunto de requisitos, e feedbacks serão fornecidos por escrito para que o aluno tenha a oportunidade de evoluir o seu modelo de negócio até a sua apresentação final.

Neste ponto o aluno desenvolverá a segunda parte de seu projeto aplicado, sempre apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as dimensões técnicas seguintes que precisam ser implementadas no protótipo, fornecendo orientações específicas sobre como implementá-las. As dimensões técnicas que serão desenvolvidas estenderão, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da segunda parte do curso.

Nesta etapa, o aluno terá a oportunidade de apresentar ao seu orientador o que desenvolveu na primeira e segunda parte do seu projeto aplicado. O orientador, por sua vez, avaliará o trabalho já realizado, esclarecerá dúvidas e fornecerá orientações essenciais ao aluno para a correção e evolução do PA.

O aluno desenvolverá a terceira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as últimas dimensões técnicas a serem implementadas no protótipo, estendendo, em complexidade, pontos centrais já exercitados pelo aluno nas aulas interativas de laboratório e práticas de gamificação, em disciplinas específicas da última parte do curso.

Finalmente o aluno submeterá o projeto aplicado para que o seu orientador o aprove para apresentação final e aprovação por parte de uma banca avaliadora.