MBA em Aprendizado de Máquina (Machine Learning) – IGTI
Fundamentos de Aprendizado de Máquina

Introdução ao Aprendizado de Máquina (Machine Learning). Conceitos básicos de: Sistemas Especialistas, Algoritmos de Aprendizado Supervisionado, Algoritmos de Aprendizado Não-supervisionado, Classificação e regressão, Sistemas de recomendação, Redes Neurais e Deep Learning, Aprendizado por Reforço (Reinforcement Learning), Processo de decisão de Markov (MDP) e Processamento de Texto e Análise de Sentimentos. Principais aplicações de Aprendizado de Máquina. Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.

Análise de Sentimento e Processamento de Texto

Introdução à Análise de Sentimento. Análise de sentimento em redes sociais. Análise semântica. Desambiguação. Processamento de Linguagem Natural (NLP). Estrutura e sintaxe da linguagem. Processamento de Textos.

Aplicações de Aprendizado de Máquina

Análise de Sentimento e Processamento de Textos. Sistemas de Recomendação. Reconhecimento de Padrões. Redes Neurais e Deep Learning. Algoritmos de Aprendizado de Máquina Supervisionado e Não-Supervisionado. Algoritmos de classificação e agrupamento. Algoritmos de Regressão. Tendências de mercado. Novas tecnologias.

Aplicações de Aprendizado de Máquina para IoT

Aplicações da análise estatística de dados no mundo corporativo. Assegurando a qualidade dos dados. Analisando o comportamento estatístico de indicadores corporativos. Melhorando a qualidade de processos e produtos. Analisando a probabilidade de eventos de interesse.

Aprendizado de Máquina por Reforço (Reinforcement Learning)

Introdução ao Aprendizado de Máquina por Reforço. Exploração e generalização. Aprendizado de Máquina por Reforço online e batch. Teoria dos jogos. Agente e multiagente. Processo de decisão de Markov (MDP). Deep Reinforcement Learning Algorithm. Aplicações.

Frameworks de Soluções em Aprendizado de Máquina

Frameworks de Aprendizado de Máquina: Visão geral, Quando utilizar e Características, vantagens e desvantagens. Apache Spark Mllib: Classificação, Regressão, Recomendação, Agrupamento, Modelagem e ML Workflow. Apache Mahout: Mahout Core, Mahout Interactive Shell e Algoritmos. TensorFlow: Características e funcionamento, Principais algoritmos e Deep Learning. Scikit-learn: Características e funcionamento, Classificação, Regressão, Dimensionality Reduction e Agrupamento.

Modelos Preditivos

Introdução à Modelagem Preditiva. Passos para a construção de um Modelo Preditivo. Over-Fitting. Resampling. Boosting. Algoritmos para construção de Modelos Preditivos: KNN, Support Vector Machines (SVM), Redes Neurais Artificiais, Random Forest, Boosted Trees, CART (Classification and Regression Trees) e Regression. Comparação entre modelos. Aplicações de Modelos Preditivos: Meteorologia, Mapas de crimes, Previsões estatísticas, Manutenção de aeronaves, Atividades fraudulentas, CRM, Previsão de catástrofes e Bolsa de valores.

Reconhecimento de Padrões

Importância do Reconhecimento de Padrões. Classificadores baseado em Bayes Decision Theory. Classificadores Lineares: Método dos Mínimos Quadrados e Support Vector Machines. Classificadores Não-Lineares: O problema XOR e Árvores de Decisão (Decision Trees). Algoritmos de agrupamento: Conceitos básicos e definições, Funções de proximidade (entre dois pontos, entre um ponto e um conjunto e entre dois conjuntos), Algoritmos Sequenciais, Algoritmos Hierárquicos e Algoritmos baseados em uma função de otimização. Problemas e aplicações.

Seleção de Modelos de Aprendizado de Máquina

Cross-Validation para validação e seleção de modelos. Estimativa de desempenho de modelos. Métricas para modelos: Acurácia, Classificação, Regressão, Agrupamento e Métricas multilabel. Escolha de algoritmos. Configuração/Parametrização adequada de algoritmos. Tuning: Randomized Parameter Optimization, Força Bruta e Exhaustive Grid Search. Medidas de qualidade. Avaliação da qualidade de uma solução. Curvas de validação. Curvas de aprendizado.

Sistemas de Recomendação

Introdução aos sistemas de recomendação. Métodos para recomendações: Medidas de similaridade, Amostragem e Dimensão reduzida, Recomendação por associação e Classificação. Nearest Neighbors. Árvores de Decisão (Decision Trees). Classificadores Bayesianos. Ensembles. Filtragem Colaborativa para recomendação. Agrupamento K-means aplicado à Sistemas de Recomendação.

Design Thinking

Disciplinas optativas

Arquiteturas de Aplicações para Dispositivos Móveis; Fundamentos de Big Data; Fundamentos de Bancos de Dados Relacionais; Fundamentos de Deep Learning; Fundamentos de Desenvolvimento Full Stack; Fundamentos de Engenharia de Dados; Fundamentos de UX; Fundamentos em Aprendizagem de Máquina; Fundamentos em Desenvolvimento Front End; Fundamentos em Gerenciamento de Projetos; Fundamentos em Inteligência de Negócios; Fundamentos em Marketing Digital; Fundamentos em Segurança da Informação; Gestão de Processos de Negócio; Governança em Tecnologia da Informação; Infraestrutura de TI e Computação em Nuvem; Métodos Ágeis em Engenharia de Software; Princípios e Práticas em Arquitetura de Software.

Modelo de Ensino e Normas Acadêmicas

O IGTI - Instituto de Gestão em Tecnologia da Informação. Canais de Atendimento ao Aluno. Modelo de Ensino. Estrutura das disciplinas. Normas Acadêmicas. O Trabalho de Conclusão do Curso – TCC. Visão Geral do Ambiente de Ensino a Distância.

Compreensão dos Objetivos do PA

O aluno tomará contato com os objetivos do seu projeto aplicado, conhecimentos que serão estudados nas disciplinas e exercitados no projeto, bem como o fluxo de trabalho que será percorrido para o desenvolvimento do projeto. Neste fluxo, o aluno desenvolverá atividades essencialmente em duas frentes de trabalho: desenvolvimento do escopo do problema e proposição do escopo da solução; desenvolvimento do protótipo que implemente a solução proposta.

Proposta de Escopo do Problema

Após a primeira disciplina sobre Inovação, o aluno será convidado a refletir e propor o escopo do problema de seu projeto aplicado. Utilizando as abordagens aprendidas até aqui sobre Inovação e Design Thinking, o aluno apresentará a sua proposta de escopo de problema através de uma abordagem centrada nas necessidades humanas dos usuários e na definição do problema em termos destas necessidades. Esta proposta será avaliada por professores orientadores a partir de um conjunto de requisitos avaliativos que nortearão feedbacks escritos direcionados à melhoria do PA.

Desenvolvimento da Primeira Parte do PA

Nesta etapa o aluno tomará contato e desenvolverá a primeira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo.Os enunciados da primeira parte detalha aquelas primeiras dimensões técnicas que precisam ser implementadas no seu protótipo, fornecendo orientações específicas sobre como implementá-las, a fim de se obter o escopo do PA. As dimensões técnicas que serão desenvolvidas pelo aluno têm o objetivo de estender, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da primeira parte do curso.

Primeiro Encontro Interativo de Orientação

Neste ponto faz-se necessário um encontro interativo por videoconferência entre o aluno e o seu orientador de conteúdo. O aluno terá a oportunidade de apresentar o que desenvolveu na primeira parte do seu projeto aplicado e expor os principais obstáculos enfrentados. O orientador, por sua vez, poderá avaliar o trabalho já realizado, esclarecer dúvidas e corrigir direções para o atingimento da meta final do PA.

Proposta de Escopo da Solução

Utilizando as abordagens aprendidas na segunda disciplina sobre Inovação e Design Thinking, o aluno deverá evoluir a sua proposta de escopo do problema para uma proposta de solução. Esta proposta será, em seguida, avaliada por professores orientadores, a partir de um conjunto de requisitos, e feedbacks serão fornecidos por escrito para que o aluno tenha a oportunidade de evoluir o seu modelo de negócio até a sua apresentação final.

Desenvolvimento da Segunda Parte do PA

Neste ponto o aluno desenvolverá a segunda parte de seu projeto aplicado, sempre apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as dimensões técnicas seguintes que precisam ser implementadas no protótipo, fornecendo orientações específicas sobre como implementá-las. As dimensões técnicas que serão desenvolvidas estenderão, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da segunda parte do curso.

Segundo Encontro Interativo de Orientação

Nesta etapa, o aluno terá a oportunidade de apresentar ao seu orientador o que desenvolveu na primeira e segunda parte do seu projeto aplicado. O orientador, por sua vez, avaliará o trabalho já realizado, esclarecerá dúvidas e fornecerá orientações essenciais ao aluno para a correção e evolução do PA.

Desenvolvimento da Terceira Parte do PA

O aluno desenvolverá a terceira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo. Serão detalhadas as últimas dimensões técnicas a serem implementadas no protótipo, estendendo, em complexidade, pontos centrais já exercitados pelo aluno nas aulas interativas de laboratório e práticas de gamificação, em disciplinas específicas da última parte do curso.

Apresentação Final do Projeto Aplicado

Finalmente o aluno submeterá o projeto aplicado para que o seu orientador o aprove para apresentação final e aprovação por parte de uma banca avaliadora.

Desenvolvimento da Primeira Parte do PA

Nesta etapa o aluno tomará contato e desenvolverá a primeira parte de seu projeto aplicado, apoiado pelo trabalho de tutoria de seu orientador de conteúdo.Os enunciados da primeira parte detalha aquelas primeiras dimensões técnicas que precisam ser implementadas no seu protótipo, fornecendo orientações específicas sobre como implementá-las, a fim de se obter o escopo do PA. As dimensões técnicas que serão desenvolvidas pelo aluno têm o objetivo de estender, em complexidade, pontos centrais já exercitados pelo aluno em aulas interativas de laboratório e gamificação, em disciplinas específicas da primeira parte do curso.

Converse com um professor

Receba a Ementa

MBA em Aprendizado de Máquina (Machine Learning)

A pós-graduação objetiva colaborar para a formação do analista de soluções em Aprendizado de Máquina, abordando conceitos e práticas afim de construir e implementar modelos analíticos usando algoritmos inteligentes que possuem a capacidade de aprendizado.

Consulte >

Investimento

Até 29 de Agosto de 2018 

Inscrições

30 de Agosto de 2018

Início

10 meses

Duração

Dúvidas de alunos são respondidas pelo próprio professor das aulas interativas e videoaulas.

100% dos tutores
como professores

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

Média de 50 alunos
por aula interativa

Este é o percentual de alunos que avaliam as suas disciplinas com
4 ou 5 estrelas.

85% dos alunos
muito satisfeitos

Quer experimentar nosso ambiente de ensino
e entender como funciona nossa metodologia?

Acompanhe gratuitamente uma aula interativa da pós-graduação

Solicite sua aula como ouvinte

Conduza iniciativas que envolvam o planejamento, modelagem, construção e validação das mais modernas e avançadas técnicas de Aprendizado de Máquina. Esteja preparado para aplicar a Inteligência Artificial nos mais diversos tipos de problemas presentes em um ambiente organizacional.

Analista de Aprendizado de Máquina

FORME-SE UM

Estude na melhor escola de Pós-graduação em TI do país.

Opte por planos de pagamento conforme a sua necessidade.

Invista em sua carreira profissional e certifique os seus conhecimentos.

Consulte planos de pagamento

Faça sua matrícula
antecipadamente e ganhe
até R$ 1.000,00 em desconto.

Mais sobre o Modelo de Ensino  >

Projeto Aplicado com foco em Inovação

O curso convida o aluno a propor soluções para problemas com alto grau de incerteza, a partir de uma abordagem focada na prototipação de soluções e idéias inovadoras.

4

Realize a
sua matrícula

Após ser informado de sua aprovação, você receberá o link do Contrato de Pós-graduação
para anexo da documentação necessária e assinatura eletrônica.

3

Participe da videoconferência

Após o encaminhamento do currículo profissional, participe da videoconferência com o professor, de caráter informativo e avaliativo.

2

Confirme sua videoconferência

Um consultor entrará em contato, no prazo máximo de um dia útil, para esclarecer dúvidas, solicitar o seu currículo e agendar a videoconferência.

1

Solicite sua videoconferência

Agendar encontro

Solicite um encontro com um professor, por videoconferência, para esclarecimento de dúvidas, orientações sobre o curso
e análise de perfil.

Quer participar do processo seletivo? É muito simples. Siga os passos abaixo.

Processo Seletivo

Realize gratuitamente uma
videoconferência com um professor 

Em dúvida sobre o curso mais adequado ao seu perfil ou gostaria de conhecer melhor o nosso modelo de ensino?

Fernando Hadad Zaidan

Fernando Hadad Zaidan

Doutor em Ciência da Informação, UFMG

Doze anos como analista, arquiteto de dados e desenvolvedor de sistemas de informação. Dez anos como gestor de TI. Seis anos de experiência como consultor na área de BI, gestão da informação e do conhecimento e arquitetura empresarial.

Fernando H. de Jesus Mourão

Fernando H. de Jesus Mourão

Doutor em Ciência da Computação, UFMG

Atua há 12 anos como pesquisador na área acadêmica. Atua há mais de 1 ano como pesquisador na industria. Atuou por 6 meses como pesquisador visitante na Rensselaer Polytechnic Institute (NY/USA). Atuou por 1 ano como pesquisador visitante na University Of  Minnesota (MN/USA).

João Paulo B. Nascimento

João Paulo B. Nascimento

Doutorando em Modelagem Mat. e Computacional, CEFET-MG

Atua há 16 anos como Desenvolvedor de Sistemas. Possui experiência em várias linguagens de programação, tecnologias de bancos de dados e metodologias de desenvolvimento de sistemas. Atua há 7 anos como professor e sua linha de pesquisa envolve Teoria de Grafos e Big Data.

Flávio A. Rezende Calado

Flávio A. Rezende Calado

Mestre em Engenharia Elétrica, UFMG

Atua como Analista Sênior de Inovação. Atua há 3 anos como docente no Ensino Superior. Atuou por 5 anos como Gerente de Projetos de TI e engenharia. Possui experiência de 12 anos em análise e desenvolvimento de sistemas web, móveis e embarcados.

Pedro Kássio R. M. Loureiro de Carvalho

Pedro Kássio R. M. Loureiro de Carvalho

Mestre em Modelagem Mat. Computacional, CEFET-MG

Atua como professor de pós-graduação. Atua como desenvolvedor de sistemas de Big Data e Machine Learning desde o início de 2017. Possui experiência com sistemas de engenharia, desenvolvimento em C#, C++, Java, Python, e em levantamento de requisitos e precificação de softwares.

João G. Rodrigues Gallo

João G. Rodrigues Gallo

Mestre em Ciência da Computação, UFMG

Oito anos, Refactor Projetos e Sistemas, sócio fundador, desenvolvendo sistemas orientados a ambientes educacionais. Cinco anos, Buzzero.com, sócio fundador, CTO, Diretor de CRM – Startup de Marketplace de cursos online.

Alberto de Sá C. de Albuquerque

Alberto de Sá C. de Albuquerque

Mestre em Ciência da Computação, UFMG

Cinco anos de experiência com desenvolvimento de software usando tecnologias como Java, C#, Ruby, MySQL, e outras. Dois anos de experiência com Aprendizado de Máquina, utilizando redes neuronais para superar o estado da arte no aprendizado de ranqueamento de documentos.

Carlos Rodrigo Dias

Carlos Rodrigo Dias

Mestre em Ciência da Computação, UFF

Atuou durante 12 anos como professor do ensino superior e de pós-graduação. Atua com sistemas de informação há 19 anos, tendo trabalhado com análise e desenvolvimento de sistemas, bem como atividades de gestão de projetos e liderança de equipes, sempre na área de TI.

Estude de forma interativa com um time de profissionais experientes

Equipe de Professores

Todos os Professores

Desenvolva um projeto aplicado contextualizado, práticas de laboratórios e dinâmica de jogos

Pratique o que você aprendeu

Gamificação

Aulas interativas com mecânica de jogos para simulação de cenários reais

Práticas de Laboratório

Práticas de laboratório virtual com o acompanhamento do professor

Aprendizado por Projeto

Desenvolvimento gradual do TCC orientado pelas disciplinas do curso

Optativas

Desenvolvimento do Protótipo

legenda2

Encontros de Orientação e Avaliação

Desenvolvimento do Escopo do PA

Startups

Específicas

Institucional

<group><group><group>line

2º Encontro Interativo de Orientação

Proposta de Escopo do Problema

Proposta de Escopo da Solução

1º Encontro Interativo de Orientação

Compreensão dos Objetivos do PA

Desenvolvimento da 3ª Parte do PA

Desenvolvimento da 2ª Parte do PA

Desenvolvimento da 1ª Parte do PA

Apresentação Final do Projeto Aplicado

etiquetas

Modelo de Ensino e Normas Acadêmicas

Fundamentos de Aprendizado de Máquina

Análise de Sentimento e Processamento de Texto

Aplicações de Aprendizado de Máquina

Aplicações de Aprendizado de Máquina para IoT

Aprendizado de Máquina por Reforço (Reinforcement Learning)

Frameworks de Soluções em Aprendizado de Máquina

Modelos Preditivos

Reconhecimento de Padrões

Seleção de Modelos de Aprendizado de Máquina

Sistemas de Recomendação

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

Inovação e Design Thinking II

Inovação e Design Thinking I

Disciplinas Optativas

Disciplinas Optativas

etiquetas2

O aluno participa de disciplinas práticas e experimenta, ao longo do curso, um aprendizado orientado por projeto

Conteúdo e Programação

40h

330h

DISCIPLINAS

PROJETO APLICADO (PA)

logo igti white hd

Converse com um professor

Receba a Ementa

Aprendizado de Máquina
(Machine Learning)

A pós-graduação objetiva colaborar para a formação do analista de soluções em Aprendizado de Máquina, abordando conceitos e práticas, com o objetivo de construir e implementar modelos analíticos usando algoritmos inteligentes que possuem a capacidade de aprendizado.

logo igti white hd

Receba a Ementa

MBA em Aprendizado de Máquina (Machine Learning)

A pós-graduação objetiva colaborar para a formação do analista de soluções em Aprendizado de Máquina, abordando conceitos e práticas afim de construir e implementar modelos analíticos usando algoritmos inteligentes que possuem a capacidade de aprendizado.

Esqueceu sua senha?

Acesso ao Ambiente de Ensino

arrowlogin

Consulte >

Investimento

Até 29 de Agosto
de 2018 

Inscrições

30 de Agosto
de 2018

Início

10 meses

Duração

Conduza iniciativas que envolvam o planejamento, modelagem, construção e validação das mais modernas e avançadas técnicas de Aprendizado de Máquina. Esteja preparado para aplicar a Inteligência Artificial nos mais diversos tipos de problemas presentes em um ambiente organizacional.

Analista de Aprendizado de Máquina

FORME-SE UM

Realize gratuitamente uma
videoconferência com um professor 

Em dúvida sobre o curso mais adequado ao seu perfil ou gostaria de conhecer melhor o nosso modelo de ensino?

Quer experimentar nosso ambiente de ensino
e entender como funciona nossa metodologia?

Acompanhe gratuitamente uma aula interativa da pós-graduação

A distribuição dos alunos nas aulas interativas permite uma maior troca de conhecimentos.

Média de 50 alunos
por aula interativa

Dúvidas de alunos são respondidas pelo próprio professor das aulas interativas e videoaulas.

100% dos tutores
como professores

Este é o percentual de alunos que avaliam as suas disciplinas com 4 ou 5 estrelas.

85% dos alunos
muito satisfeitos

Mais sobre o Modelo de Ensino  >

Projeto Aplicado com foco em Inovação

O curso convida o aluno a propor soluções para problemas com alto grau de incerteza, a partir de uma abordagem focada na prototipação de soluções e idéias inovadoras.

Consulte planos de pagamento

Faça sua matrículaantecipadamente e ganhe
até R$ 1.000,00 em desconto

arrow copy

1

Solicite sua videoconferência

Agendar encontro

Solicite um encontro com um professor, por videoconferência, para esclarecimento de dúvidas, orientações sobre o curso
e análise de perfil.

Quer participar do processo seletivo? É muito simples. Siga os passos abaixo.

Processo Seletivo

arrow
forma 4 copy

Aprendizado por Projeto

Desenvolvimento gradual do TCC orientado pelas disciplinas do curso

Realize práticas de laboratórios, dinâmica de
jogos e projeto aplicado contextualizado

Pratique o que você aprendeu

Fernando Hadad Zaidan
Fernando Hadad Zaidan
Doutor em Ciência da Informação, UFMG

Doze anos como analista, arquiteto de dados e desenvolvedor de sistemas de informação. Dez anos como gestor de TI. Seis anos de experiência como consultor na área de BI, gestão da informação e do conhecimento e arquitetura empresarial.

Fernando H. de Jesus Mourão
Fernando H. de Jesus Mourão
Doutor em Ciência da Computação, UFMG

Atua há 12 anos como pesquisador na área acadêmica. Atua há mais de 1 ano como pesquisador na industria. Atuou por 6 meses como pesquisador visitante na Rensselaer Polytechnic Institute (NY/USA). Atuou por 1 ano como pesquisador visitante na University Of  Minnesota (MN/USA).

João Paulo B. Nascimento
João Paulo B. Nascimento
Doutorando em Modelagem Mat. e Computacional, CEFET-MG

Atua há 16 anos como Desenvolvedor de Sistemas. Possui experiência em várias linguagens de programação, tecnologias de bancos de dados e metodologias de desenvolvimento de sistemas. Atua há 7 anos como professor e sua linha de pesquisa envolve Teoria de Grafos e Big Data.

Flávio A. Rezende Calado
Flávio A. Rezende Calado
Mestre em Engenharia Elétrica, UFMG

Atua como Analista Sênior de Inovação. Atua há 3 anos como docente no Ensino Superior. Atuou por 5 anos como Gerente de Projetos de TI e engenharia. Possui experiência de 12 anos em análise e desenvolvimento de sistemas web, móveis e embarcados.

Pedro Kássio R. M. Loureiro de Carvalho
Pedro Kássio R. M. Loureiro de Carvalho
Mestre em Modelagem Mat. Computacional, CEFET-MG

Atua como professor de pós-graduação. Atua como desenvolvedor de sistemas de Big Data e Machine Learning desde o início de 2017. Possui experiência com sistemas de engenharia, desenvolvimento em C#, C++, Java, Python, e em levantamento de requisitos e precificação de softwares.

João G. Rodrigues Gallo
João G. Rodrigues Gallo
Mestre em Ciência da Computação, UFMG

Oito anos, Refactor Projetos e Sistemas, sócio fundador, desenvolvendo sistemas orientados a ambientes educacionais. Cinco anos, Buzzero.com, sócio fundador, CTO, Diretor de CRM – Startup de Marketplace de cursos online.

Alberto de Sá C. de Albuquerque
Alberto de Sá C. de Albuquerque
Mestre em Ciência da Computação, UFMG

Cinco anos de experiência com desenvolvimento de software usando tecnologias como Java, C#, Ruby, MySQL, e outras. Dois anos de experiência com Aprendizado de Máquina, utilizando redes neuronais para superar o estado da arte no aprendizado de ranqueamento de documentos.

Carlos Rodrigo Dias
Carlos Rodrigo Dias
Mestre em Ciência da Computação, UFF

Atuou durante 12 anos como professor do ensino superior e de pós-graduação. Atua com sistemas de informação há 19 anos, tendo trabalhado com análise e desenvolvimento de sistemas, bem como atividades de gestão de projetos e liderança de equipes, sempre na área de TI.

alan-vasconcelos-alves-306x306-172x172 copy 4

MESTRE EM CIÊNCIA DA INFORMAÇÃO

Alan Vasconcelos Alves

Nove anos de experiência com design gráfico, de interfaces. Sete anos de experiência em engenharia de usabilidade, acessibilidade e experiência do usuário. Presta consultoria a clientes privados e governamentais como Ministério do Meio Ambiente, Governo de Minas e Banco do Brasil.

arrow copy

Estude de forma interativa com um time de profissionais experientes

Equipe de Professores

Todos os Professores

Conteúdo e Programação

O aluno participa de disciplinas práticas e experimenta, ao longo do curso, um aprendizado orientado por projeto

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

22h

Inovação e Design Thinking II

Inovação e Design Thinking I

Disciplinas Optativas

Disciplinas Optativas

etiquetas2

Modelo de Ensino e Normas Acadêmicas

Fundamentos de Aprendizado de Máquina

Análise de Sentimento e Processamento de Texto

Aplicações de Aprendizado de Máquina

Aplicações de Aprendizado de Máquina para IoT

Aprendizado de Máquina por Reforço (Reinforcement Learning)

Frameworks de Soluções em Aprendizado de Máquina

Modelos Preditivos

Reconhecimento de Padrões

Seleção de Modelos de Aprendizado de Máquina

Sistemas de Recomendação

Desenvolvimento do Protótipo

legenda2

Encontros de Orientação e Avaliação

Desenvolvimento do Escopo do PA

40h

PROJETO APLICADO (PA)

2º Encontro Interativo de Orientação

Desenvolvimento da 3ª Parte do PA

Desenvolvimento da 2ª Parte do PA

Desenvolvimento da 1ª Parte do PA

Proposta de Escopo do Problema

etiquetas

1º Encontro Interativo de Orientação

Proposta de Escopo da Solução

Compreensão dos Objetivos do PA

Apresentação Final do Projeto Aplicado

Optativas

22h

Startups

Específicas

Institucional

330h

DISCIPLINAS

Fernando Hadad Zaidan
Fernando Hadad Zaidan
http://lattes.cnpq.br/4835234239471713
Professor
Formação acadêmica
  • Doutorado em Ciência da Informação, UFMG, 2014.
  • Mestre em Administração, Fumec, 2008.
  • Graduação em Ciência da Computação, Fumec, 2006.
  • Graduação em Desenvolvimento Web/XML , UNI-BH, 2004.
  • Graduação em Analista de Sistemas e Programador de Computadores, UFMG, 1986.
Experiência profissional
  • Doze anos como analista, arquiteto de dados e desenvolvedor de sistemas de informação.
  • Dez anos como gestor de TI.
  • Seis anos de experiência como consultor na área de BI, gestão da informação e do conhecimento e arquitetura empresarial, assim como docente em cursos de graduação e pós-graduação.
A satisfação em participar do time do IGTI é enorme. Além de uma equipe comprometida, seu modelo de ensino é inovador, capaz de aproximar o docente e o discente, através dos modernos recursos da web.
Fernando H. de Jesus Mourão
Fernando H. de Jesus Mourão
https://www.linkedin.com/in/fernando-mour%C3%A3o-a40a5183
Professor
Formação Acadêmica
  • Bacharel em Ciência da Computação pela UFMG, 2007.
  • Mestre em Ciência da Computação pela UFMG, 2009.
  • Doutor em Ciência da Computação pela UFMG, 2014.
Experiência Profissional
  • Atua há 6 anos como professor.
  • Atua há 12 anos como pesquisador na área acadêmica.
  • Atua há mais de 1 ano como pesquisador na industria.
  • Atuou por 6 meses como pesquisador visitante na Rensselaer Polytechnic Institute (NY/USA).
  • Atuou por 1 ano como pesquisador visitante na University Of  Minnesota (MN/USA).
  • Atuou por 2 anos como Coordenador de Tecnologia do Núcleo de Educação a Distância – UFSJ.
Tive contato com a inovadora metodologia de ensino adotada pelo IGTI e percebi o potencial desta instituição para trazer ganhos reais na qualidade do Ensino a Distancia ofertado no Brasil. Nota-se um sério trabalho pedagógico guiado pelos preceitos básicos do Aprendizado Ativo.
João Paulo B. Nascimento
João Paulo B. Nascimento
https://www.linkedin.com/in/jo%C3%A3o-paulo-barbosa-nascimento-431a9b43
Professor
Formação Acadêmica
  • Graduado em Sistemas de Informação pela PUC Minas, 2007.
  • Mestrado em Modelagem Matemática e Computacional pelo CEFET-MG, 2011.
  • Doutorando em Modelagem Matemática e Computacional pelo CEFET-MG, Previsão de conclusão:2018
Experiência Profissional
  • Professor em cursos de graduação e pós-graduação
  • Atua por 16 anos como Analista de Sistemas
Com infraestrutura moderna, tecnologia de ponta e professores altamente capacitados e atuantes em suas áreas, o IGTI fornece ao aluno todas as ferramentas necessárias para o seu crescimento profissional e destaque no mercado de trabalho, sempre incentivando a pesquisa, inovação e extensão.
Flávio A. Rezende Calado
Flávio A. Rezende Calado
https://www.linkedin.com/in/flavioarcalado
Professor
Formação Acadêmica
  •  Mestre em Engenharia Elétrica pela UFMG, 2013
  •  Graduado em Sistemas da Informação pela PUC Minas, 2004
Experiência Profissional
  • Atualmente é Analista Sênior de Inovação do Grupo Ânima de Educação S/A
  • Atua há 3 anos como docente no Ensino Superior dos cursos de Sistemas de Informação e Engenharias 
  • Atuou por 5 anos como Gerente de Projetos de TI e engenharia
  • Experiência de 12 anos em análise e desenvolvimento de sistemas web, móveis e embarcados.
Pedro Kássio R. M. Loureiro de Carvalho
Pedro Kássio R. M. Loureiro de Carvalho
https://www.linkedin.com/in/pkassio-881ab967/
Professor
Formação Acadêmica
  • Graduado em Engenharia de Computação pelo CEFET-MG, 2013.
  • Mestrado em Modelagem Matemática Computacional pelo CEFET-MG, 2017.
  • Aprovado no Doutorado em Modelagem Matemática Computacional no CEFET-MG, para início em 2018
Experiência Profissional
  • Atua como professor de pós-graduação.
  • Atua como desenvolvedor de sistemas de Big Data e Machine Learning desde o início de 2017, onde executou os papéis de Cientista de Dados e Engenheiro de Dados.
  • Possui experiência com sistemas de engenharia, desenvolvimento em C#, C++, Java, Python. Cerca de 4 anos de experiência profissional com essas linguagens.
  • Possui experiência com levantamento de requisitos e precificação de softwares. Cerca de 2 anos de experiência nessa área.
João G. Rodrigues Gallo
João G. Rodrigues Gallo
http://br.linkedin.com/in/joaogallo/
Professor
Formação acadêmica
  • Mestre em Ciência da Computação, UFMG, 2009
  • Especialista em Informática com Ênfase em Análise de Sistemas, UFMG, 2005
  • Graduação em Engenharia Mecânica com Ênfase em Mecatrônica, PUC-MG, 2001
Experiência profissional
  • Seis anos, Coordenador de Informática do Colégio Santo Antônio, escola de ensino Fundamental e Médio.
  • Oito anos, Refactor Projetos e Sistemas, Sócio Fundador, desenvolvendo sistemas orientados a ambientes educacionais.
  • Cinco anos, Buzzero.com, Sócio Fundador, CTO, Diretor de CRM – Startup de Marketplace de cursos online.
  • Três anos, AppProva (Educação Inovação e Tecnologia), Sócio Fundador – CEO, Startup de análise de dados educacionais
O modelo de educação a distância promove a democratização do acesso à formação de alta qualidade de maneira flexível e independente de questões geográficas ou da logística de mobilidade urbana. É a chance de se tornar realmente diferenciado no mercado.
Alberto de Sá C. de Albuquerque
Alberto de Sá C. de Albuquerque
https://www.linkedin.com/in/albertosca/
Professor
Formação Acadêmica
  • Graduado em Ciência da Computação pela UFMG, 2012.
  • Pós-Graduado em Gestão de Negócios pela Fundação Dom Cabral, 2016.
  • Mestrado em Ciência da Computação pela UFMG, 2017.
Experiência Profissional
  • 5 anos de experiência com Desenvolvimento de Software
  • 2 anos de experiência como Data Scientist
O IGTI tem um forte compromisso com a qualidade de seu material e bom ritmo de suas aulas. Isso faz dele uma excelente opção para os profissionais que procuram se aprimorar para atender ao mercado de trabalho e agregar valor às organizações das quais fazem parte.
Carlos Rodrigo Dias
Carlos Rodrigo Dias
https://www.linkedin.com/in/crodrigodias/
Professor
Formação Acadêmica
  • Bacharelado em Matemática pela UFJF, 1994.
  • Mestrado em Ciência da Computação pela UFF, 2004.
  • Especialização em Gerência de Informática pela Faculdade Machado Sobrinho, 1998
Experiência Profissional
  • Iniciou a atuação como professor na área de TI há 22 anos.
  • Atuou durante 12 anos como professor em cursos de ensino superior e de pós-graduação.
  • Atua com sistemas de informação há 19 anos, tendo trabalhado com análise e desenvolvimento de sistemas, bem como atividades de gestão de projetos e liderança de equipes, sempre na área de TI.
  • Atuou como coordenador de curso de Sistemas de Informação.
Os cursos do IGTI contam com professores altamente capacitados, uma equipe de apoio competente e atenciosa, bem como estratégias inovadoras para otimizar o processo ensino-aprendizagem.