Disciplina
Apresentação, Modelo de Ensino e Normas Acadêmicas
Apresentação, Modelo de Ensino e Normas Acadêmicas
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.
Disciplina
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.
Disciplina
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Projeto
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.
Disciplina
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.
Projeto
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.
Disciplina
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).
Projeto
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.
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.
Projeto
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.
