MBA em Engenharia de IA, Machine Learning e Deep Learning

Disciplinas e competências

• Fundamentos de Machine Learning com Scikit-Learn

  • Construir um modelo de machine learning supervisionado simples
  • Construir modelos de classificação supervisionada, utilizando métodos de validação, regularização e métricas apropriadas
  • Construir modelos de classificação supervisionada baseados em vizinhança (KNN) e árvores de decisão
  • Construir classificadores supervisionados baseados em margens (SVM) e em combinação de modelos (ensembles)

• Operacionalização de Modelos com MLOps

  • Estruturar um projeto de machine learning, integrando planejamento, experimentação e validação ao contexto de negócio
  • Projetar pipelines de dados e features para evitar overfitting e reduzir custo computacional
  • Construir experimentos reprodutíveis, integrando comparação de modelos, ajuste de hiperparâmetros e rastreamento de métricas com MLflow
  • Operacionalizar modelos de machine learning em produção com scikit-learn e MLflow

• Processamento de Linguagem Natural

  • Construir pipelines de pré-processamento textual com NLTK e spaCy
  • Implementar representações vetoriais de texto com TF-IDF e word embeddinG
  • Analisar bases textuais aplicando modelagem de tópicos, detecção de classes e análise de sentimento
  • Construir o pipeline final de PLN integrando NER, extração de informação e visualização de resultados com spaCy

• Sistemas Cognitivos com LLMs

  • Construir aplicações NLP com LLMs e ecossistema Hugging Face
  • Desenvolver soluções com LLMs usando técnicas de Prompt Engineering, como zero-shot, few-shot e chain-of-thought
  • Desenvolver aplicações com embeddings semânticos e busca vetorial
  • Implementar inferência privada e embeddings com LLMs locais via GPT4All
  • Construir pipelines RAG com vector stores e Private RAG

• Redes Neurais Profundas

  • Projetar e treinar redes neurais artificiais para tarefas de classificação e regressão
  • Aplicar técnicas de regularização e tuning de hiperparâmetros para melhorar desempenho
  • Utilizar frameworks modernos de Deep Learning para experimentação
  • Interpretar métricas e diagnósticos de aprendizado de redes neurais

• Visão Computacional com CNNs e Transformers

  • Implementar redes convolucionais (CNNs) para extração de padrões visuais
  • Aplicar transfer learning e fine-tuning em modelos pré-treinados
  • Utilizar data augmentation para aumentar robustez de modelos visuais
  • Explorar arquiteturas de Transformers aplicadas à visão computacional

• Criação de Agentes Cognitivos com LangChain

  • Construir agentes inteligentes baseados em LLMs e raciocínio por ferramentas
  • Implementar memória e persistência de contexto em fluxos cognitivos
  • Projetar cadeias de decisão (chains) com execução autônoma
  • Integrar agentes em aplicações com APIs e sistemas externos

• Arquiteturas Multiagentes com LangGraph

  • Projetar sistemas compostos por múltiplos agentes cooperativos
  • Implementar comunicação e coordenação entre agentes autônomos
  • Incorporar pipelines de RAG e memória vetorial em arquiteturas multiagentes
  • Orquestrar fluxos cognitivos complexos com LangGraph e persistência de estado

Sobre o MBA

• É RECONHECIDA PELO MEC?

  Sim. Consulte aqui o cadastro da instituição no Sistema e-MEC:

  

• Quais são os pré-requisitos deste curso?

  Para realizar a pós-graduação em IA Generativa, é necessário conhecimento em Python (incluindo manipulação de dados), além de noções de estatística e lógica de programação. Inglês técnico para leitura também é recomendado.

• Conheça o coordenador

  FERNANDO FERREIRA

  Coordena o MBA em Engenharia de IA, que é ministrada por professores do quadro permanente do Infnet e especialistas convidados para disciplinas específicas. 

  Professor Fernando é um dos pioneiros e principais nomes do mercado de IA, Deep Learning e Machine Learning no Brasil, professor e coordenador da pós-graduação desde seu início.

  É bacharel e mestre em Engenharia de Software, bem como doutor em Inteligência Artificial pela UFRJ. Atuou com Machine Learning aplicado a problemas reais no CERN, na Suíça — um ambiente científico e operacional de alta escala. Hoje, trabalha diretamente no mercado, como co-fundador da Twist Systems.