| 1 |
Meios Digitais e o Profissional do Futuro |
80h |
| O que é transformação digital?; Quais são as tendências da transformação digital?; Inteligência Artificial: trabalha com a criação de máquinas inteligentes que executam funções de maneira semelhante aos humanos; Realidade Virtual: cria uma situação similar à real usando artifícios digitais e tecnológicos; Business Intelligence: a utilização de informações e dados para gerar inteligência que pode ser aplicada na tomada de decisão de um negócio; Automação de Marketing: usa a tecnologia para diminuir o trabalho manual e garantir a assertividade das ações de marketing de uma empresa; Data Science: a ciência que analisa os dados para possibilitar decisões mais assertivas; Como a transformação digital afeta sua carreira?; Como se preparar profissionalmente?; Estude muito; Pense no cliente; Conheça seus concorrentes; Analise seus dados; Crie propostas de valor; Tente inovar; Como a revolução digital influencia na escolha da carreira?; Carreiras digitais: minha profissão vai morrer? |
| 2 |
Ciência Cognitiva e Ciência da Informação |
80h |
| Cognitivismo: teoria computacional da mente. Arquitetura de sistemas cognitivos. Cognição como processamento de informação. Modelagem de Sistemas Cognitivos. Conceito de Ciência da Informação. Aspectos históricos e epistemológicos da ciência da informação na computação. Métodos de investigação na Ciência da Informação. |
| 3 |
Estudos Introdutórios sobre Machine Learning e IA |
80h |
| Introdução ao aprendizado de máquina. Técnicas (algoritmos) e ferramentas de Machine Learning e suas aplicações; Tipos de aprendizado. Paradigmas de aprendizado. Avaliação experimental de algoritmos de Aprendizado de Máquina e Inteligência Artificial. Algoritmos de Aprendizado de Máquina. Aplicações em problemas de natureza científica e tecnológica. |
| 4 |
Matemática Computacional |
80h |
| Cálculo de probabilidades por simulação aplicados no Machine Learning. Resolução numérica de sistemas de equações lineares. Solução de equações não-lineares. Processos de Poisson. Cadeias de Markov a tempo discreto: classificação de estados, probabilidade limite e aplicações em sistemas de filas. |
| 5 |
Desenvolvimento e Programação Aplicada |
80h |
| Compreender e aplicar os fundamentos da linguagem R em aplicações e scripts. Manipular dados utilizando os principais pacotes estatísticos e ferramentas de análise de dados. Criação de modelos estatísticos com programação. Manipulação de dados utilizando os principais pacotes estatísticos e ferramentas de análise de dados. |
| 6 |
Visão Computacional |
80h |
| Técnicas de aprendizado de máquina em visão computacional. Manipulação de reconhecimento facial, reconhecimento de objetos em imagens. Redes neurais convolucionais e aprendizado profundo aplicados a problemas de visão computacional. Problemas comuns em visão computacional: segmentação de imagens, classificação de imagens, detecção e reconhecimento de objetos em imagens. |
| 7 |
Processamento de Linguagem Natural |
80h |
| Conceitos do Processamento de linguagem natural. Funcionamento dos principais métodos e principais ambientes para implantação. Desenvolvimento que permitam a análise de cases de negócios que envolvem textos decompondo-os em técnicas e ferramentas. Processamento de Linguagem Natural (NLP). Estrutura e sintaxe da linguagem. Processamento de Textos. Implementação em Plataformas. |
| 8 |
Data Storytelling |
80h |
| Introdução a Data Storytelling. Porque Usar Data Storytelling?. Como criar histórias. Exemplos Práticos de Data Storytelling. Apresentação Visual. Tipos de Dados e Gráficos. Tipos de Representações para Evitar. Princípios da Percepção Visual. Como elaborar e contar uma história. Conceitos Tradicionais de Design. Casos de Estudo. Dicas e Boas Práticas para Data Storytelling. |
| 9 |
Machine Learning e Deep Learning |
80h |
| Introdução e visão geral do processo de machine learning. Principais aplicações. Algoritmos de aprendizado. Capacidade, overfitting e underfitting. Hiperparâmetros e validação. Visão geral de estatística e estimativas. Modelos supervisionados. Modelos não supervisionados. Método do gradiente descendente. Construindo o algoritmo e motivacionais |
| TOTAL |
720h
|
|
