Disciplinas do Curso
| IAA001 | Introdução à Inteligência Artificial Histórico e princípios da Inteligência Artificial. Resolução de problemas. Busca cega. Busca Heurística. Busca competitiva. Problemas de Satisfação de Restrições. Conhecimento e raciocínio. Lógica e planejamento. Aprendizado de máquina. Aplicações da IA. |
24 hr/aula |
| IAA002 | Linguagem de Programação Aplicada Programação em Python. Atribuições, operações e expressões. Controle de fluxo e repetições. Funções. Tipo de dados básicos. Listas, Dicionários, Conjuntos e Tuplas. List Comprehensions. Módulos. Instalação e configuração de ambiente de desenvolvimento. Numpy, Pandas e Sci-kit Learn. Aplicação da linguagem Python em problemas relacionados à Inteligência Artificial utilizando diferentes modelos e estratégias de aprendizado de máquina. |
24 hr/aula |
| IAA003 | Linguagem R Uso do R. Atribuições e operações. Vetores e matrizes. Fatores e Fórmulas. Manipulação de listas e dataframes. Leitura e escrita de arquivos. Programação e scripts. Funções Apply. Estatística básica. Gráficos em R. Resolução de problemas de IA: Classificação e regressão. |
24 hr/aula |
| IAA004 | Estatística Aplicada I Introdução à Estatística Descritiva. Estudo de populações e amostras. Introdução às séries estatísticas. Análise de gráficos. Estudo das medidas de posição e de dispersão. Modelos de Distribuições. Níveis de Confiança. Testes Paramétricos e Testes Não Paramétricos. |
24 hr/aula |
| IAA005 | Estatística Aplicada II Modelos de Distribuições. Análise de viés e variância. Análise de qualidade de modelos. Níveis de Confiança, Tipos de Erros. Teste de Normalidade: Kolmogorov- Smirnov, Shapiro-Wilks. Testes Paramétricos: Teste t, ANOVA, etc. Testes Não Paramétricos: Friedman, Kruskal-Wallis, etc. Testes post-hoc: Nemenyi, Dunn, etc. |
24 hr/aula |
| IAA006 | Arquitetura de Dados Modelagem de dados estruturados e não-estruturados. Preparação de dados para projetos de aprendizado de máquina, aplicação de técnicas para construção de atributos, seleção, limpeza, codificação de informação, tratamento de dados ausentes, identificação e tratamento de ruídos na informação, identificação e tratamento de atributos correlacionados. Aplicação de métodos computacionais para preparação e tratamento dos dados. |
24 hr/aula |
| IAA007 | Visualização de Dados e Story Telling Histórico da Visualização de Dados. Tipos e métodos de VD. Melhores práticas e princípios da VD. Data Storytelling. Aplicações da visualização de dados. |
24 hr/aula |
| IAA008 | Aprendizado de Máquina Introdução ao aprendizado de máquina. Aprendizado supervisionado, não-supervisionado e por reforço. Tarefas: Regressão, Classificação, Agrupamento e Associação. Técnicas: Redes Neurais Artificiais, Máquinas de Vetores de Suporte, Indução de Árvores de Decisão, Regras de Associação, KNN, K-means, Apriori. Avaliação de modelos. Métricas de qualidade de modelos: R2, RMSE, Matriz de Confusão. |
24 hr/aula |
| IAA009 | Deep Learning Introdução ao deep learning. Conceitos básicos. Deep Learning aplicado à visão computacional: redes neurais convolucionais (CNN), redes adversariais generativas (GAN). Redes neurais recorrentes: simples, GRU e LSTM. Deep Learning aplicado ao processamento de linguagem natural: embeddings, modelos de linguagens, modelos de atenção. Transformers. |
24 hr/aula |
| IAA010 | Big Data Principais conceitos de Big Data e Ciência de Dados. Armazenamento e gerenciamento de Big Data. Data Lake para uso de IA em BigData. Principais tecnologias e ferramentas para a análise e solução de problemas reais em Big Data, envolvendo dados estáticos (batch) ou em movimento (streaming), e estruturados, semi e não estruturados. |
24 hr/aula |
| IAA011 | Visão Computacional Introdução à visão computacional. Aquisição de imagem e sensores de visão. Pré-processamento, segmentação de imagens, descrição, reconhecimento de padrões e decisão. Utilização de Redes Neurais Convolucionais (modelos e aplicações), preparação dos dados, data augmentation, transferência de aprendizado e fine tuning. |
24 hr/aula |
| IAA012 | Frameworks de IA Frameworks comerciais de IA e ciência de dados. Tensorflow. Resolução de problemas com Tensorflow: Regressão e classificação. CNNs. RNNs. Séries temporais. GANs. Processamento de linguagem natural. |
24 hr/aula |
| IAA014 | Gestão de Projetos de IA Workflow de inteligência artificial. Gerenciamento tradicional de projetos. Gerenciamento ágil de projetos. Práticas de gerenciamento de projetos aplicadas ao desenvolvimento de soluções de inteligência artificial. |
24 hr/aula |
| IAA015 | Tópicos em IA Lógica Fuzzy. Algoritmos Genéticos. Identificação e tratamento de séries temporais. |
24 hr/aula |
| IAA016 | Aspectos Filosóficos e Éticos da Inteligência Artificial Introdução à Inteligência Artificial e Ética. Tomada de Decisão e Viés em IA. Privacidade e Segurança em IA. Autonomia e Responsabilidade. Implicações Sociais e Filosofia da Mente. Futuro da IA e Ética. |
24 hr/aula |