Apresentação, Modelo de Ensino e Normas Acadêmicas Apresentação, Modelo de Ensino e Normas Acadêmicas 22h 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 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
