Pós-Graduação Inteligência Artificial, Machine Learning, Deep Learning

• Aplicar regressão linear logística
• Desenvolver um treino supervisionado usando árvores de decisões
• Desenvolver um treino supervisionado usando SVM
• Construir uma solução que aplica um modelo elaborado a partir de uma base de dados

Complementares 

• Utilizar a metodologia K-Folds de validação cruzada

• Desenvolver um sistema de coleta de dados usando APIs públicas
• Criar uma solução de streaming de dados usando pipelines
• Preparar um modelo previamente treinado para uma solução de streaming de dados
• Estabelecer um método de como atualizar o modelo empregado em produção

Complementares

• Utilizar algoritmo de AutoML
• Criar uma visualização de dados em tempo real
• Criar uma API para servir um modelo de Machine Learning
• Entender conceitos de sistemas de produção em nuvem

• Implementar técnicas de lematização usando a biblioteca NLTK
• Construir um modelo de reconhecimento de entidades (NER) usando Spacy
• Criar modelos utilizando vetorização de textos baseado em Bag of Words
• Criar modelos baseados em Word Embedding

Complementares

• Realizar análises com diferentes aplicações de NLP
• Criar Text Corpus para serem analisados

• Explicar o que é a Inteligência Artificial Generativa e como funcionam os Large Language Models
• Utilizar modelos Transformers para o processamento de linguagem natural
• Otimizar interações com modelos de linguagem com Prompt Engineering
• Desenvolver soluções usando LLMs e o Framework LangChain

Complementares

• Interagir com os modelos GPT, BERT, LLAMA e Gemini
• Realizar o Fine Tuning de LLMs

• Identificar as diferentes camadas de uma Rede Neural Artificial 
• Compreender as diferentes arquiteturas de Redes Neurais 
• Criar um modelo de reconhecimento de dígitos numéricos
• Treinar usando o algoritmo de rede backpropagation em Python 

Complementares

• Compreender as diferentes funções de ativação de uma Rede Neural
• Implementar uma Rede Neural em uma base de imagens

• Compreender em que cenários deve-se utilizar redes profundas (Deep Learning Networks)
• Utilizar modelos pré-treinados de redes profundas através de Transfer Learning
• Utilizar uma rede de modelo convolucional com TensorFlow
• Produzir contéudo texto com TensorFlow a partir de uma rede LSTM

Complementares

• Implementar modelos neurais para cenários de operação
• Utilizar uma rede DPN para gerar imagens usando TensorFlow

• Instalar Scikit-Learn usando um ambiente de Virtualenv
• Explicar diferentes tipos de algoritmos de clusterização
• Realizar o pré-processamento adequado para realizar uma tarefa de clusterização
• Aplicar os algoritmos de K-Means e clusterização hierárquica (hcluster) em dados reais

Complementares

• Aplicar o algoritmo de DBScan em dados reais
• Explicar a motivação para se usar algoritmos não-supervisionados

• Mensurar a qualidade de modelos de clusterização
• Aplicar medidas de validação em modelos de clusterização usando bibliotecas em Python
• Criar medidas de similaridades para tarefa de clusterização
• Realizar modelos de clusterização avançados usando diversas técnicas

Complementares

• Entender as limitações da medida de silhueta
• Compreender uma medida de similaridade baseada em correlação cruzada
• Utilizar o algoritmo de vizinhos mais próximos (KNN) para avaliação de clusters
• Realizar a clusterização usando um modelo neural