-Conhecer os principais conceitos de ciência de dados e sua aplicação aos negócios.
-Conhecer os principais conceitos relacionados à Inteligência Artificial, Machine Learning e Deep Learning e suas aplicações aos negócios.
-Conhecer as principais metodologias e técnicas em ciência de dados para aplicações em negócios.
-Conhecer os fundamentos e técnicas de aprendizado de máquina (machine learning e deep learning).
-Compreender os fundamentos de Redes Neurais Artificiais (RNA).
-Conhecer as principais Arquiteturas e Topologias de Redes Neurais Artificiais.
-Compreender os fundamentos do Processo de Treinamento de Redes Neurais Artificiais.
-Compreender os conceitos de underfitting e overfitting em Redes Neurais Artificiais.
-Compreender os conceitos de Aprendizado de Máquina (Machine Learning) e Profundo (Deep Learning).
-Conhecer e utilizar as estruturas básicas das linguagens de programação R e Python.
-Conhecer as principais ferramentas para utilização das linguagens R e Python.
-Conhecer e utilizar as principais bibliotecas da linguagem Python para aprendizado de máquina (Machine Learning).
-Conhecer e utilizar as principais bibliotecas da linguagem Python para aplicação de técnicas de aprendizado de profundo (Deep Learning).
-Selecionar e compreender a aplicação de técnicas de redes neurais artificiais para criação de modelos para solução de problemas de classificação e regressão.
-Selecionar e compreender a aplicação de técnicas de redes neurais artificiais para a criação de modelos para solução de problemas de otimização.
-Selecionar e compreender a aplicação de técnicas de redes neurais artificiais para a criação de modelos para solução de problemas de reconhecimento de imagem (computer vision).
-Selecionar e compreender a aplicação de técnicas de redes neurais artificiais para a criação de modelos para solução de problemas de reconhecimento de textos e linguagem natural (natural language processing).
-Avaliar e validar de modelos de redes neurais artificiais.
-Aplicar modelos de redes neurais artificiais para tomada de decisão.
Aplicar modelos de deep learning para a tomada de decisão.
-Aplicação de modelos analíticos baseados em redes neurais artificiais para solução de problemas de negócio.
-Descobrir oportunidades de mudança e inovação nos negócios através da construção de modelos de inteligência artificial baseados em redes neurais artificiais e deep learning.
-Compreender e avaliar o potencial, as possibilidades, as limitações e as dificuldades para aplicação de modelos inteligência artificial nos negócios.
-Compreender e avaliar os aspectos éticos aplicação de técnicas relacionadas à inteligência artificial.
-Discutir a privacidade, segurança, veracidade e propriedade de dados entre outros aspectos éticos ligados modelos de inteligência artificial.
-Discutir os possíveis impactos e responsabilidades sociais com a aplicação de modelos de inteligência artificial nos negócios.
-Colaborar na realização de exercícios e estudos de caso sobre a aplicação de técnicas e modelos de redes neurais artificiais em problemas de negócio.
-Adquirir competência para a redação de relatórios conclusivos sobre os modelos de inteligência artificial e sua aplicação, resultados e impactos nos negócios.
-Pesquisar informações sobre técnicas, ferramentas e bibliotecas de aprendizado de máquina e aprendizado profundo e sua aplicação nos negócios.
-Pesquisar informações sobre fontes de dados e exemplos de modelos analíticos baseados em redes neurais artificiais e deep learning.
-Adquirir competência básica para criação e aplicação de modelos analíticos de redes neurais artificiais utilizando as linguagens de programação R e Python.
-Conhecer os principais recursos, ferramentas e bibliotecas da linguagem de programação Python para aplicações de algoritmos baseados em redes neurais artificiais (machine learning e deep learning).

Conceitos e Metodologias para Ciência de Dados e Inteligência Artificial
Conceitos e Fundamentos de Redes Neurais Artificiais
Programação Orientada a Inteligência Artificial com as Linguagens R e Python
Redes Neurais Artificiais Aplicadas a Problemas de Negócio
Algoritmos de Deep Learning Aplicados a Problemas de Negócio
Desenvolvimento e Aplicação de Modelos de Inteligência Artificial baseados em Redes Neurais Artificiais (Machine Learning e Deep Learning).

Ciência de Dados
Conceitos Básicos
Artificial Intelligence (AI), Machine Learning (ML) e Deep Learning (DL)
Principais Técnicas e Metodologias
Machine Learning versus Deep Learning

Redes Neurais Artificiais
Fundamentos de Redes Neurais Artificiais
Modalidades de Aprendizado de Máquina
Principais Arquiteturas e Topologias
Treinamento de Redes Neurais Artificiais
Conceitos de Underfitting e Overfitting

Programação Orientada a Inteligência Artificial com as Linguagens R e Python
Programação Orientada a Dados
Linguagem de Programação Python
Linguagem de Programação R
Jupyter Notebook – Google Colaboratory
RStudio Ambiente Integrado de Desenvolvimento (IDE)

Algoritmos de Redes Neurais com as Linguagens R e Python
Classificação
Regressão
Reconhecimento de Imagens


Deep Learning com a Linguagem Python
Modelos e Arquiteturas em Deep Learning
Visão Computacional e Detecção de Objetos
Séries Temporais
Classificação de Textos
Processamento de Linguagem Natural

Exercícios e Laboratórios Aplicados com as Linguagens R e Python
Exercícios sobre a Linguagem Python
Laboratórios de Redes Neurais para Problemas de Classificação e Regressão
Laboratórios de Redes Neurais Convolucionais - Reconhecimento de Imagens
Laboratório de Redes Neurais Recorrentes - Séries Temporais
Laboratório de Redes Neurais Recorrentes - Processamento de Linguagem Natural