Pós-Graduação Inteligência Artificial, Machine Learning, Deep Learning

• 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

• Entender o pipeline do Stack da Elastic
• Executar MLT Queries na base do Elastic Search
• Desenvolver um classificador de categorias de texto usando "The 20 newsgroup dataset"
• Desenvolver um sistema de recomendação utilizando queries MLT

Complementares

• Compreender Shards
• Gerenciar logs de operação usando LogStash

• 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 a motivação para se usar algoritmos não-supervisionadas
• Explicar diferentes tipos de algoritmos de clusterização
• Aplicar os algoritmos de K-Means e clusterização hierárquica (hcluster) em dados reais

Complementares

• Escolher a técnica mais adequada de clusterização para diferentes problemas
• Aplicar o algoritmo de DBScan em dados reais

• Compreender a distância baseada na Correlação de Pearson
• Aplicar distâncias inter-clusters e intra-clusters
• Aplicar a medida de sillhueta para problemas complexos usando Scikit-Learn
• Utilizar o algoritmo de vizinhos mais próximos (KNN) para avaliação de clusters

Complementares

• Entender as limitações da medida de silhueta