MBA em Deep Learning

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.

Introdução ao problema. Deep Learning em todos os lugares. Classificação. Geração de Conteúdo. Predição. Deconvolução. Caixa Preta do Deep Learning. Exemplos de vieses. Husky x Outras raças. Geração de conteúdo (geração de notícias falsas). Predições em sistemas jurídicos. Ética em Machine Learning. Deep Mind. Geradores de conteúdo contratando profissionais especialistas em IA. Lei GDPR (direito à explicação ao realizar classificações automáticas). F.A.T. e suas Subáreas. Fairness: Conceito de justiça algorítmica. Accountability: Responsabilidade algorítmica. Transparency: Transparência algorítmica. Técnicas de Transparency. Frameworks focados em F.A.T. Avaliação de Viés.

Deep Learning aplicado nos seguintes problemas: Processamento de Textos, Sistemas de Recomendação, Reconhecimento de Padrões, Visão Computacional, Problemas utilizando Algoritmos de classificação e agrupamento, Indústria 4.0, Chatbots e Traduções. História e curiosidades das aplicações. Tendências de mercado. Novas tecnologias. Deep Dream. Arte e música.

Deep Learning: Processo de classificação, Processo de predição, Simulações e Aprendizado por Reforço. Aplicações:
Precificação dinâmica, Sistemas de recomendação e Mercado financeiro.

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.

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.

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.

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.

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.

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.

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.

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.

O conceito de inovação. Soluções inovadoras com Design Thinking: matriz CSD, Business Design Blueprint, Experiment Board, entre outras. Construção de Protótipos/MVP, métricas de validação. Avaliação de potencial de solução: redução de custo, aumento de produtividade, novos produtos/serviços, fortalecimento da marca, ganhos ambientais e sociais, etc.); Círculo Dourado e a Matriz de Stakeholders.

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.