MBA

Deep Learning

A pós-graduação objetiva colaborar para a formação do analista/desenvolvedor de soluções utilizando Aprendizado de Máquina, com ênfase à aplicação das técnicas de Redes Neurais Profundas (Deep Learning). Exercitando conceitos e práticas com o objetivo de implementar modelos analíticos, com o foco na implementação de Deep Learning.

8 meses
21 de novembro de 2019
20 de novembro de 2019
Consulte

Forme-se um

Desenvolvedor Deep Learning

Conduza iniciativas que envolvam a modelagem, implementação e validação de sistemas inteligentes, para a solução dos mais diversos tipos de problemas atuais. Conheça as melhores alternativas para aplicação de algoritmos e modelos computacionais inteligentes.

Motivos para fazer sua pós no IGTI

O IGTI é referência nacional em Pós-graduação e formação profissional em TI e Tecnologias Emergentes.

50 alunos por aula interativa

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

100% Interativo

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

85% de Satisfação

Este é o percentual de alunos que avaliam as suas disciplinas com 4 ou 5 estrelas.

Faça seu MBA como um Bootcamp aplicável ao mercado

Estude intercalando disciplinas práticas com atividades do projeto aplicado do curso.
8 meses
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.
Projeto aplicado com foco em Inovação

O curso convida o aluno a propor soluções para problemas com alto grau de incerteza, a partir de uma abordagem focada na prototipação de soluções e ideias inovadoras.

Conhecer mais

Linhas de Especialização do Projeto Aplicado

O Projeto Aplicado substitui o tradicional Trabalho de Conclusão de Curso.
Tudo o que é desenvolvido é prático.

Visão Computacional com Deep Learning

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas de Processamento de Imagens, envolvendo as etapas de coleta, pré-processamento, indexação, análise de dados e apresentação de resultados.

A quem se destina?

Destina-se especialmente ao profissional especialista em Deep Learning que irá propor e implementar soluções que envolvem a análise automatizada de imagens nas mais diversas áreas. Além disso, temos os perfis secundários que são os interessados nas informações que serão geradas, que podem ser gestores das mais diversas áreas da organização (marketing, vendas, segurança, processos, etc).

Processamento de Linguagem Natural com Deep Learning

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas de Processamento de Linguagem Natural utilizando Deep Learning. Para isso, poderão ser executadas as etapas de coleta, pré-processamento, indexação e análise dos dados.

A quem se destina?

Destina-se especialmente ao profissional especialista em Machine Learning/Deep Learning que irá propor e implementar soluções que envolvem a análise automatizada de textos/falas nas mais diversas áreas. Além disso, temos os perfis secundários que são os interessados nas informações que serão geradas, que pode ser desde o Analista de Mídias Sociais, passando por gestores de diversos setores de uma organização (marketing, finanças, vendas, jurídico, etc.) e chegando até a diretoria estratégica.

Detecção de Anomalias com Deep Learning

Objetivo

Proporcionar ao aluno o contato com as técnicas e ferramentas para detecção de anomalias (outliers). A Detecção de Anomalias consiste na identificação de padrões em dados que possuem um comportamento diferente do esperado. Podemos atribuir outros nomes para esses comportamentos, tais como: outliers, exceções, dados discordantes, aberrações, etc. A Detecção de Anomalias usa uma série de técnicas para estabelecer se uma determinada observação pode ser considerada anômala ou não.

A quem se destina?

Destina-se especialmente ao profissional especialista em Machine Learning/Deep Learning que irá propor e implementar soluções que envolvam a análise automatizada de dados nas mais diversas áreas e a detecção de anomalias. Além disso, temos os perfis secundários que são os interessados nas informações que serão geradas, que podem ser gestores de diversos setores de uma organização (marketing, finanças, vendas, jurídico, etc.) e chegando até a diretoria estratégica.

Pratique o que você aprendeu

Desenvolva um projeto aplicado contextualizado, práticas de laboratórios e dinâmica de jogos.

Aprenda com os melhores

Estude de forma interativa com um time de profissionais experientes e atuantes no mercado.

Conhecer todos os nossos professores
Ricardo Brito Alves
Mestre em Eng.Elétrica, grad. Ciencia da Computação, PUC-MG

Sou um profissional com mais de vinte e cinco anos trabalhando na área de TI e já atuei desde o desenvolvimento de software até a gestão.Tenho uma boa experiência na condução de projetos complexos em diversos segmentos, incluindo projetos internacionais. Nos últimos anos tenho atuado como gestor sênior de projetos ágeis envolvendo transformação digital, metodologias ágeis. Atuo como pesquisador em temas envolvendo inteligência artificial.

Túlio Philipe Ferreira e Vieira
Doutorando em Modelagem Matemática Computacional, CEFET-MG

Mais de 5 anos de experiência desenvolvendo projetos aplicados nas áreas de internet das coisas e cidades inteligentes por meio da utilização de algoritmos baseados em inteligência computacional e estatística. Possui artigos publicados em revistas e congressos internacionais sobre aprendizado de máquina e otimização, além da publicação de um livro didático sobre o tema Internet das Coisas.

Daniel Eugênio Neves
Doutorando, Mestre e Especialista em Informática, PUC Minas.

Trabalha com o desenvolvimento de softwares desde 2008, atuando em projetos diversos, que incluem análise, arquitetura e desenvolvimento de sistemas. Atualmente dedica sua pesquisa a algoritmos e modelos de deep learning e reinforcement learning e atua em projetos de análise de dados, geração e predição de indicadores, automação de processos de negócio e sistemas de recomendação.

André Luís Resende Monteiro
Mestre em Aprendizado de Máquina

Mais de 13 anos de experiência na área de engenharia de softwares complexos em organizações de grande porte. Liderança de projetos de inteligência artificial e análise de dados em diversas áreas de atuação.

Patrícia de Fátima e Almeida
Especialista em BI, Eng. Software e Gestão de Negócios

Mais de 30 anos de experiência em Tecnologia da Informação atuando como analista de sistemas e de suporte básico e coordenadora de projetos em empresas nacionais e multinacionais.

Luis Brito
Mestre em Informática, PUC/MG

Experiência nas áreas de TI e SI por mais de 10 anos; Atua desde 2011 como Analista de Sistemas e Desenvolvedor de Software; Atua desde 2015 como Pesquisador na Área de Inteligência Artificial.

Guilherme Miglio Doxa
Mestre em Engenharia Elétrica, PUC Minas

Mais de 15 anos de experiência em desenvolvimento de sistemas, sendo destes 10 anos anos em sistemas embarcados para a área automotiva e os outros para a área de conectividade.

Alberto de Sá Cavalcanti de Albuquerque
Mestre em Ciência da Computação, UFMG

Desenvolvedor de Software e líder técnico com mais de 9 anos de experiência em trabalho com as melhores práticas Atuação acadêmica relevante na área de Machine Learning, com duas publicações em conferências internacionais de renome.

Realize uma videoconferência gratuita com um professor

Em dúvida sobre o curso mais adequado ao seu perfil?
Gostaria de conhecer melhor o nosso modelo de ensino?

Agendar videoconferência

Processo seletivo

O processo seletivo do IGTI é simples e permite você conhecer melhor nossa cultura.
1
Solicitar videoconferência

Tire todas as suas dúvidas com um professor, receba orientações sobre seu curso e faça uma análise de perfil.

Agendar
2
Confirmar dia e horário

No prazo máximo de um dia útil, entramos em contato para esclarecer dúvidas, solicitar o seu currículo e agendar a videoconferência.

3
Participar da videoconferência

Após recebermos o seu currículo, participe da videoconferência com o professor.

4
Realizar matrícula

Após ser informado de sua aprovação, você recebe o link do Contrato de Pós-graduação para anexo da documentação necessária e assinatura eletrônica.

Faça sua matrícula antecipadamente e ganhe até R$ 1.000,00 em desconto

Estude na melhor escola de Pós-graduação em TI do país.

Invista em sua carreira profissional e certifique os seus conhecimentos.

Opte por planos de pagamento conforme a sua necessidade.

Consultar planos

O IGTI está no grupo de excelência do MEC

Com 14 anos de mercado, o IGTI é referência em pós-graduação em TI no Brasil.

Consultar credenciamento

Na dúvida?
Experimente uma aula grátis!

Que tal experimentar nosso ambiente de ensino para sentir como o IGTI ajudará você a conectar com seu futuro?

Experimentar aula grátis