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.
