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
ENGENHEIRO (A) DEEP LEARNING
ENGENHEIRO (A) DEEP LEARNING
148h
Habilite-se para atuar na resolução de problemas complexos por meio da aplicação das ferramentas e técnicas de deep learning.
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 (RNN) e Recursivas (Recurrent and Recursive Neural Networks).
Frameworks para Redes Neurais
Frameworks para Redes Neurais
-Visão geral;
-Quando utilizar;
-Características, vantagens e desvantagens;
-Apache Spark MLlib;
TensorFlow;
-Características, funcionamento e diferenças;
-Principais algoritmos para o treinamento de redes em Deep Learning;
-TensorFlow Playground;
-Keras;
-Pytorch;
-OpenCV Library;
-Caffe;
-Theano.
Aplicações de Deep Learning
Aplicações de Deep Learning
-Detecção de anomalias com Deep Learning (autoencoders, SOM etc);
-Outliers: identificação, explicação, benefícios;
-Processamento da linguagem natural;
-Sistemas de Recomendação;
-Reconhecimento de Padrões;
-Visão Computacional;
-Problemas utilizando Algoritmos de classificação e agrupamento;
-Healthcare;
-Indústria 4.0;
-Chatbots;
-IoT;
-Artes.
Limitações de Redes Neurais
Limitações de Redes Neurais
-Análise de problemas;
-Generalização Local x Generalização Extrema;
-Redes Neurais: Análises de Soluções e Aplicações;
-Indicações;
-Principais Limitações e caixa preta do deep learning;
-Perda do Gradiente (LSTM e GRU);
-Problemas com Generalização;
-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;
-Ética em Machine Learning;
-Deep Mind;
-Geradores de conteúdo contratando profissionais especialistas em IA.
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.
