IA e Ciência de Dados

Ementa:

• Uma Breve História no Tempo;
• O que é Aprendizagem de Máquina?;
• Por que utilizar Aprendizagem de Máquina?;
• Tipos de Aprendizagem de Máquina;
• Formas de Incremento de Aprendizagem;
• Modo de Aprendizagem;
• Métricas de Desempenho em Machine Learning;
• Relação entre Machine Learning e Ciência de Dados.

Ementa:

• Modelos de Regressão Linear Simples;
• Aprendizagem de Parâmetros;
• Regressão Linear com Múltiplas Variáveis;
• Verificação da Convergência do Algoritmo GD;
• Combinação de Características e Regressão Polinomial;
• Laboratório Computacional R/Python–Modelos de Regressão;
• Aprendizagem Supervisionada –Classificação;
• Regressão Logística;
• Multiclassificações;
• Regularização;
• Laboratório Computacional R/Python–Modelos de Classificação;
• Redes Neurais Artificiais (RNA);
• Representação de Modelos de RNA;
• Classificação Múltipla em RNA;
• Aprendizagem de Parâmetros em RNA;
• Exemplos e Aplicações de RNA;
• Laboratório Computacional R/Python–Modelos de Redes Neurais Artificiais.

Ementa:

• Conceitos fundamentais de ciência de dados;
• Formações envolvidas da área de ciência de dados;
• Aplicações e estudos de caso;
• Arquitetura e fluxos de projeto de ciência de dados;
• Relações com as áreas;
• Probabilidade e estatística;
• Aprendizagem de máquina (Machine Learning -ML);
• Ciência da computação (AlgorithmDevelopment-AD);
• Modelagem e análise de dados –conceitos e ferramentas;
• Conceitos de probabilidade e estatística importantes para a prática de ciência de dados;
• Laboratório Computacional com R/Python –Análise Exploratória de Dados.

Ementa:

• Visão geral de Conceitos fundamentais de ciência de dados;
• O essencial em Probabilidade e estatística para Ciência de Dados;
• Análise exploratória de dados;
• Aprendizagem de máquina (Machine Learning -ML) -Dados, modelos e análise;
• Modelagem e análise de dados –Avaliação de desempenho e resultados.

Ementa:

• Introdução ao Python para IA;
• Manipulação de dados em Python;
• Visualização de Dados para IA;
• Introdução a modelo de IA com Python;
• Boas práticas em projetos de IA.

Ementa:

• Introdução à visão computacional;
• Fundamentos de imagem digital;
• Aquisição de imagens;
• Exemplos de aplicação.

Ementa:

• Processamento espacial;
• Transformações (ponto a ponto e por vizinhança);
• Filtros;
• Segmentação e Representação.

Ementa:

• Detecção;
• Reconhecimento;
• Classificação;
• Métricas de avaliação de classificadores.