Inscreva-se Menu
fechar

Precisa de Ajuda?

Ciência de Dados e Machine Learning (Inteligência Artificial)
fechar

Compartilhe por e-mail

Enviar
fechar

Insira o número com quem deseja compartilhar essa informação e vamos te conectar ao seu WhatsApp

Enviar

O Curso

O curso de Pós em Ciência de Dados e ML do CEUB é focado no desenvolvimento de habilidades na construção de aplicações que possam gerar insights, por meio da criação de modelos baseados nos mais avançados algoritmos de Machine Learning e Deep Learning, a partir do processamento e análise de grandes bases de dados (Big Data).

Carga horária: 400h
Aulas no campus da Asa Norte.

Contatos: Telefone ou WhatsApp: (61) 3966-1201 - opção 4 

Coordenador Fábio Oliveira Guimarães
fabio.guimaraes@ceub.edu.br
(61) 99601-1950

E-Book de Ciência de Dados e Machine Learning (Inteligência Artificial)

Baixe agora para entender um pouco mais sobre a faculdade e a profissão

Diferenciais

  • O que faz o curso único

    Curso Presencial

    As aulas são oferecidas com toda a estrutura do campus da Asa Norte do CEUB, incluindo salas de aulas com equipamentos multimídia, ampla biblioteca, laboratórios de informática capacitados a atender as demandas do curso.

  • O que faz o curso único

    Metodologias Atualizadas

    O foco do curso está em uma formação que possibilite ações que envolvam a modelagem e o desenvolvimento de sistemas que utilizem técnicas avançadas de inteligência computacional a fim de solucionar problemas das mais variadas áreas do conhecimento.

  • O que faz o curso único

    Melhor Corpo Docente

    O corpo docente do curso é composto por Especialistas, Mestres e Doutores com atuação e experiência na área da Inteligência Computacional com uma visão prática da realidade atual das organizações e da área do conhecimento da inteligência artificial aplicada.

Informações e disciplinas

DISCIPLINAS:

Introdução à Ciência de Dados - 20h
Conceitos de Ciência de Dados. Ciclo de vida da informação. Frameworks e pacotes utilizados em Ciência de Dados. Pensamento analítico de dados.  Modelagem preditiva e modelo de dados. Ciência de Dados e estratégias de negócio. Tipos de Algoritmos.
Introdução a Python para Ciência de Dados - 40h
Introdução ao Python 3. Módulos, Pacotes e Funções Built-in. Aritmética. Funções. Strings (cadeia de caracteres). Exceções. Listas. Tuplas. Dicionários. Conjuntos. Controle de Fluxo. Ordenação. Compressores de Lista. Geradores e Iteradores. Expressões Regulares. Programação Orientada a Objetos. Ferramentas Funcionais. Bibliotecas Python para Análise de Dados.
Introdução a Banco de Dados - 20h
Linguagem SQL. Select From Limit Order By Where Like Not And Between e Or. Agregações. Joins. 
Análise Estatística de Dados - 40h
Conjuntos Únicos de Dados. Tendências Centrais e Dispersão. Correlação. Paradoxo de Simpson. Correlação e Causalidade. Probabilidade. Dependência e Independência. Teorema de Bayes. Variáveis Aleatórias. Distribuições Contínuas. Distribuição Normal. Teorema do Limite Central. Regressões lineares e múltiplas. Regressão polinomial e Splines. Teste Estatístico de Hipótese. P-values. P-Hacking. Inferência Bayesiana. Anova.
Coleta e Gestão de Dados (Data Collection e Data Preparation) - 20h
Fases de um processo de descoberta de conhecimento: obtenção e normalização de dados, limpeza de dados, seleção e transformação, redução de dados, mineração, avaliação do conhecimento, seleção de atributos, discretização, binarização, feature engineering, e transformação de variáveis com Impala. 
Recuperação da Informação na web e Redes Sociais - 20h
Web Scraping com BeautifulSoup, Selenium e Scrapy. Crawlers. Spiders. Json. Requests. 
Introdução à Aprendizagem de Máquina - 50h
Evolução do conceito de aprendizagem. Tipos de aprendizagem. Classificação e Regressão. Limites de aprendizagem: risco empírico vs. risco estrutural, Dimensão VC, dilema bias-variance, aprendizagem viciada (overfitting) e teorema No Free Lunch. Métodos Preditivos: baseados em distância (kNN), probabilísticos (Naive Bayes) árvores (ID3 e Randon Forest) e regras, baseados em otimização (SVM e Redes Neurais – Perceptron). Métodos Descritivos: Agrupamento e Regras de Associação. Redução de dimensionalidades. Optimização de hiperparâmetros. 
Fundamentos de Deep Learning - 50h
Redes Neurais Artificiais: MLP - Multilayer Perceptron, Regressão Logística, Estrutura do neurônio artificial, Funções de Ativação, Perda e Custo, Descida do Gradiente, Learning Rate, Treinamento e Técnicas de Aprendizado, 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. Ensembles e Fine Tuning em Redes Neurais. 
Operações de Aprendizado de Máquina (MLOps) - 40h
Repositórios Git. Integração continua (CI). Entrega contínua (CD). MLFlow. Jenkins. Docker. FastAPI.
Processamento de Linguagem Natural - 20h
Apresentação dos princípios da Linguística Computacional, por meio das descrições e formalizações de estruturas para o processamento de linguagem natural. Fundamentos Linguísticos.  Gramáticas e Análise sintática.  Gramáticas Aumentadas.  Análise Semântica.  Resolução de Ambiguidade.  Análise pragmática. Representação de Conhecimento. Mineração de textos. Clusterização e Classificação de textos.
Persistência de Dados em Bancos NoSQL (Data Storage) - 30h
Banco de Dados não-convencional: Introdução aos principais modelos de dados NoSQL. Banco de Dados NoSQL: Modelo Orientado a documentos. Banco de Dados NoSQL: Modelo Orientado a chave/valor. Banco de Dados NoSQL: Modelo Orientado à família de colunas. Banco de Dados NoSQL: Modelo Orientado a grafos. Usando Elastic Search.
Big Data com MapReduce – Spark - 30h
Entendendo MapReduce: Arquitetura, Projeto Básico de Algoritmos, Dados Estrutudados e Não-Estruturados. Introdução ao Apache Spark, Spark Framework. Aplicação do PySpark.
Projeto em Ciência de Dados - 30h
Estruturação e guias técnicos. Técnicas que favoreçam aprovação para publicação em fóruns científicos. Redação científica. Técnica de elaboração do artigo técnico. Normas ABNT aplicáveis ao artigo. O processo de desenvolvimento do trabalho. 

Investimento

15 parcelas 18 parcelas 24 parcelas Próxima turma
15x R$ 954,77 18x R$ 819,31 24x R$ 674,10 Início:
23 de março de 2024

Observações:

Egressos do CEUB têm 20% de desconto (não cumulativos).

O CEUB reserva-se o direito de:
- Não oferecer o curso caso não atinja o número mínimo de alunos matriculados;
- Proceder alterações nas informações referentes aos cursos de pós-graduação sem prévio aviso.

  • Compartilhe os valores:

Carreiras

Cientistas de Dados

Os cientistas de dados são aqueles profissionais capacitados a realizar a mineração dos dados. Eles recebem um grande conjunto de dados desorganizados e usam suas competências em matemática, estatística e programação para realizar a limpeza e o tratamento adequado dos dados a fim de organizá-los para obterem informações.

Analista de Dados

Também chamados de Cientistas de Dados Júnior, estão capacitados a coletar, processar e realizar análises estatísticas de dados. As competências envolvem a descoberta de como os dados podem ser utilizados para realizar inferências a fim de responder a questionamentos e serem aplicados na resolução de problemas.

Arquiteto de Dados

Capacitados na criação de projetos para sistemas de gerenciamento de dados, o arquiteto avalia as potencialidades das fontes de dados das organizações, sendo capaz também de idealizar projetos que permitam a integração, centralização e proteção dos dados, além de permitir a sua manutenção.

Engenheiro de Dados

Investem sua capacidade na construção de grandes repositórios de dados para Big Data. Eles implementam, arquitetam, avaliam e mantêm arquiteturas baseadas em enormes bancos de dados.

Analista de Negócio

É o profissional responsável pela gerência de mudanças e de constantes transformações por meio da inovação. Pode ser considerado a chave do sucesso na organização. É o tradutor das necessidades dos clientes em novos produtos, serviços e lucro.

Ver mais >

Viste o Ceub