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 Deep Learning
Fundamentos de Deep Learning
22h
Introdução, Ordem Cronológica e história das Redes Neurais Artificiais. Características básicas de Redes Neurais Artificiais: Regressão Logística, 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 e GAN, GRU e LSTM. Aplicações de Redes Neurais Artificiais: Reconhecimento de padrões, Classificação de imagens, Séries Temporais, Geração de Conteúdo e
Precificação Dinâmica. Características de Deep Learning: Introdução ao Deep Learning, Convolutional Neural Networks (CNN), Definição da quantidade de camadas e do número de neurônios, Redes Neurais Recorrentes (RNN) e Recursivas (Recurrent and Recursive Neural Networks) e Tensorflow Playground. Fine Tuning em Redes Neurais.
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
Visão Computacional com Deep Learning
Visão Computacional com Deep Learning
22h
Introdução à Visão computacional com Deep Learning: Engenharia de Feature. Convolutional Neural Networks
(CNNs): Introdução, Arquitetura (VGG) e Aplicações. Recurrent Neural Networks (RNNs): Introdução, Arquitetura e Aplicações. GAN. ImageNet. Técnicas de Análise de Vídeo. Classificação e clusterização de imagens. Aplicações com veículos autônomos.
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
Classificação, Predição e Simulação com Deep Lea...
Classificação, Predição e Simulação com Deep Learning
22h
Deep Learning: Processo de classificação, Processo de predição, Simulações e Aprendizado por Reforço. Aplicações:
Precificação dinâmica, Sistemas de recomendação e Mercado financeiro.
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
Detecção de Anomalias com Deep Learning
Detecção de Anomalias com Deep Learning
22h
Introdução à detecção de anomalias: Processo de Detecção e Identificação de Anomalias; Detecção de Anomalias e o aprendizado supervisionado. Principais abordagens: Supervisionada; Semi-supervisionada; Não supervisionada; Técnicas para Detecção de Anomalias usando Deep Learning. Outliers: Identificação; Explicação; Benefícios; Quando aproveitar? Quando descartar? Aplicações; Bolsa de valores e mercado financeiro; Detecção de fraudes; Detecção de falhas em grandes sistemas.
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
Frameworks para Redes Neurais
Frameworks para Redes Neurais
22h
Frameworks para Redes Neurais: Visão geral, Quando utilizar e Características, vantagens e desvantagens. Apache Spark MLlib. TensorFlow: Características e funcionamento, Principais algoritmos, Deep Learning e TensorFlow Playground. Keras. OpenCV Library. Caffe. Theano.
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
Limitações de Redes Neurais
Limitações de Redes Neurais
22h
Análise de problemas. Generalização Local x Generalização Extrema. Redes Neurais: Análises de Soluções e Aplicações, Indicações, Principais Limitações, Perda do Gradiente, Problemas com Generalização e Necessidade de grandes volumes de dados para treino. Alternativas ao uso de Redes Neurais. Resultados: como explicar o caminho percorrido por uma Rede Neural até a apresentação do resultado? Limitações do uso de Deep Learning.
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
Modelagem de Problemas com Deep Learning
Modelagem de Problemas com Deep Learning
22h
Modelagem de problemas com Deep Learning. Seleção de modelos com Deep Learning. Métricas para modelos: Acurácia e Métricas multilabel. Escolha de algoritmos e frameworks. Configuração/Parametrização adequada de algoritmos. Tuning: Randomized Parameter Optimization, Força Bruta e Exhaustive Grid Search. Metodologias para Avaliação da qualidade de uma solução: Cross-Validation e Bootstrap. Curvas de validação. Curvas de aprendizado.
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 de Linguagem Natural com Deep Learning. Word2Vec. Glove. Arquitetura de
Processamento de Linguagem Natural. Deep Learning aplicada às seguintes áreas: Reconhecimento de Fala,
Chatbots e sistemas de diálogos, Máquinas de tradução, Análise de Sentimento, Reconhecimento de Textos
(informativos, jurídicos, etc) e OCR.
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
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.