-
Aula 00 – Prof. Felipe Mathias e Emannuelle
Gouveia
Banco de Dados; Tipos de dados e fontes (estruturados,
semiestruturados e não estruturados).
-
Aula 01 – Prof. Felipe Mathias e Emannuelle
Gouveia
Modelagem de dados; Normalização vs. desnormalização.
-
Aula 02 – Prof. Felipe Mathias e Emannuelle
Gouveia
SQL
-
Aula 03 – Prof. Felipe Mathias e Emannuelle
Gouveia
Data Warehouse (armazém de dados) vs. Data Lake (lago de
dados) vs. Lakehouse (arquitetura lakehouse). Etapas do ciclo de
vida dos dados: coleta, limpeza, análise, modelagem e
comunicação.
-
Aula 04 – Prof. Felipe Mathias e Emannuelle
Gouveia
Modelagem dimensional
-
Aula 05 – Prof. Felipe Mathias e Emannuelle
Gouveia
Big Data: arquiteturas distribuídas, processamento em lote vs.
fluxo contínuo (streaming), compensações de consistência e
disponibilidade, teorema CAP. (Parte 1)
-
Aula 06 – Prof. Felipe Mathias e Emannuelle
Gouveia
Big Data: arquiteturas distribuídas, processamento em lote vs.
fluxo contínuo (streaming), compensações de consistência e
disponibilidade, teorema CAP. (Parte 2)
-
Aula 07 – Prof. Felipe Mathias e Emannuelle
Gouveia
Modelagem de dados: NoSQL.
-
Aula 08 – Prof. Lucas Ianni
IA Explicável (XAI). Métodos de interpretabilidade global e
local. SHAP, LIME. Ética e governança em dados: viés algorítmico,
transparência, explicabilidade, equidade (fairness).
-
Aula 09 – Prof. Lucas Ianni
Fundamentos de Aprendizado de Máquina (Machine Learning):
aprendizado supervisionado e não supervisionado.
-
Aula 10 – Prof. Lucas Ianni
Machine Learning. Classificação, regressão e clustering.
Validação cruzada e seleção de modelos. Ajuste de hiperparâmetros e
regularização. Compensações viés-variância (bias-variance),
sobreajuste (overfitting) e subajuste (underfitting), técnicas de
regularização.
-
Aula 11 – Prof. Lucas Ianni
Algoritmos de Aprendizado Supervisionado
-
Aula 12 – Prof. Lucas Ianni
Algoritmos de Aprendizado Não Supervisionado
-
Aula 13 – Prof. Lucas Ianni
Deep Learning. Redes neurais artificiais, CNNs e RNNs.
Aplicações em processamento de imagem e texto. Transfer learning e
fine-tuning.
-
Aula 14 – Prof. Lucas Ianni
Tratamento e Qualidade de Dados. Imputação, remoção de
outliers e normalização. Balanceamento de classes e aumento de
dados (data augmentation). Métricas de qualidade de dados.
-
Aula 15 – Prof. Lucas Ianni
Avaliação de modelos: métricas para classificação e regressão,
validação cruzada, interpretação de resultados, análise de
erros.
-
Aula 16 – Prof. Lucas Ianni
Séries Temporais e Previsão. Modelos ARIMA e LSTM.
Decomposição em tendência e sazonalidade. Detecção de anomalias
temporais.
-
Aula 17 – Prof. Lucas Ianni
Visualização e Comunicação. Dashboards e storytelling com
dados. Métricas e indicadores de desempenho.
-
Aula 18 – Prof. Lucas Ianni
Pipelines de Machine Learning: arquitetura ponta a ponta
(end-to-end), engenharia de características (feature engineering),
estratégias de implantação (deployment), monitoramento de modelos
em produção, data drift e concept drift (deriva de dados e deriva
de conceito
-
Aula 19 – Prof. Lucas Ianni
Conformidade com a LGPD e princípios éticos no uso de dados e
IA.
Avaliações
Não há avaliações ainda.