Fundamentos de Deep Learning

Introdução, Ordem Cronológica e história das Redes Neurais Artificiais. Características básicas de Redes Neurais Artificiais: Regressão Logística, Estrutura do neurônio artificial, Funções de Ativação, Perda e Custo, Descida do Gradiente, Learning Rate, O modelo MCP, Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não-Supervisionado), Perceptron e Rede Perceptron de Múltiplas Camadas (MLP), AlexNet, Algoritmo Backpropagation, Redes de Função de Base Radial e GAN, GRU e LSTM. Aplicações de Redes Neurais Artificiais: Reconhecimento de padrões, Classificação de imagens, Séries Temporais, Geração de Conteúdo e Precificação Dinâmica. Características de Deep Learning: Introdução ao Deep Learning, Convolutional Neural Networks (CNN), Definição da quantidade de camadas e do número de neurônios, Redes Neurais Recorrentes (RNN) e Recursivas (Recurrent and Recursive Neural Networks) e Tensorflow Playground. Fine Tuning em Redes Neurais.

Análise de Viés em Inteligência Artificial

Introdução ao problema. Deep Learning em todos os lugares. Classificação. Geração de Conteúdo. Predição. Deconvolução. Caixa Preta do Deep Learning. Exemplos de vieses. Husky x Outras raças. Geração de conteúdo (geração de notícias falsas). Predições em sistemas jurídicos. Ética em Machine Learning. Deep Mind. Geradores de conteúdo contratando profissionais especialistas em IA. Lei GDPR (direito à explicação ao realizar classificações automáticas). F.A.T. e suas Subáreas. Fairness: Conceito de justiça algorítmica. Accountability: Responsabilidade algorítmica. Transparency: Transparência algorítmica. Técnicas de Transparency. Frameworks focados em F.A.T. Avaliação de Viés.

Aplicações com Deep Learning

Deep Learning aplicado nos seguintes problemas: Processamento de Textos, Sistemas de Recomendação, Reconhecimento de Padrões, Visão Computacional, Problemas utilizando Algoritmos de classificação e agrupamento, Indústria 4.0, Chatbots e Traduções. História e curiosidades das aplicações. Tendências de mercado. Novas tecnologias. Deep Dream. Arte e música.

Classificação, Predição e Simulação com Deep Learning

Deep Learning: Processo de classificação, Processo de predição, Simulações e Aprendizado por Reforço. Aplicações: Precificação dinâmica, Sistemas de recomendação e Mercado financeiro.

Frameworks para Redes Neurais

Frameworks para Redes Neurais: Visão geral, Quando utilizar e Características, vantagens e desvantagens. Apache Spark MLlib. TensorFlow: Características e funcionamento, Principais algoritmos, Deep Learning e TensorFlow Playground. Keras. OpenCV Library. Caffe. Theano.

Limitações de Redes Neurais

Análise de problemas. Generalização Local x Generalização Extrema. Redes Neurais: Análises de Soluções e Aplicações, Indicações, Principais Limitações, Perda do Gradiente, Problemas com Generalização e Necessidade de grandes volumes de dados para treino. Alternativas ao uso de Redes Neurais. Resultados: como explicar o caminho percorrido por uma Rede Neural até a apresentação do resultado? Limitações do uso de Deep Learning.

Modelagem de Problemas com Deep Learning

Modelagem de problemas com Deep Learning. Seleção de modelos com Deep Learning. Métricas para modelos: Acurácia e Métricas multilabel. Escolha de algoritmos e frameworks. Configuração/Parametrização adequada de algoritmos. Tuning: Randomized Parameter Optimization, Força Bruta e Exhaustive Grid Search. Metodologias para Avaliação da qualidade de uma solução: Cross-Validation e Bootstrap. Curvas de validação. Curvas de aprendizado.

Modelos Profundos não Supervisionados

Processamento de Linguagem Natural

Introdução ao Processamento de Linguagem Natural com Deep Learning. Word2Vec. Glove. Arquitetura de Processamento de Linguagem Natural. Deep Learning aplicada às seguintes áreas: Reconhecimento de Fala, Chatbots e sistemas de diálogos, Máquinas de tradução, Análise de Sentimento, Reconhecimento de Textos (informativos, jurídicos, etc) e OCR.

Visão Computacional com Deep Learning

Introdução à Visão computacional com Deep Learning: Engenharia de Feature. Convolutional Neural Networks (CNNs): Introdução, Arquitetura (VGG) e Aplicações. Recurrent Neural Networks (RNNs): Introdução, Arquitetura e Aplicações. GAN. ImageNet. Técnicas de Análise de Vídeo. Classificação e clusterização de imagens. Aplicações com veículos autônomos.

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 Deep Learning

A pós-graduação objetiva colaborar para a formação do analista/desenvolvedor de soluções utilizando Aprendizado de Máquina, com ênfase à aplicação das técnicas de Redes Neurais Profundas (Deep Learning). Exercitando conceitos e práticas com o objetivo de implementar modelos analíticos, com o foco na implementação de Deep Learning.

Consulte >

Investimento

Até 1 de Fevereiro de 2018 

Inscrições

15 de Março 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 a modelagem, implementação e validação de sistemas inteligentes, para a solução dos mais diversos tipos de problemas atuais. Conheça as melhores alternativas para aplicação de algoritmos e modelos computacionais inteligentes.

Desenvolvedor Deep Learning

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?

Estude de forma interativa com um time de profissionais experientes

Equipe de 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 Deep Learning

Análise de Viés em Inteligência Artificial

Aplicações com Deep Learning

Classificação, Predição e Simulação com Deep Learning

Frameworks para Redes Neurais

Limitações de Redes Neurais

Modelagem de Problemas com Deep Learning

Modelos Profundos não Supervisionados

Processamento de Linguagem Natural

Visão Computacional com Deep Learning

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 Deep Learning

A pós-graduação objetiva colaborar para a formação do analista/desenvolvedor de soluções utilizando Aprendizado de Máquina, com ênfase à aplicação das técnicas de Redes Neurais Profundas (Deep Learning). Exercitando conceitos e práticas com o objetivo de implementar modelos analíticos, com o foco na implementação de Deep Learning.

Esqueceu sua senha?

Acesso ao Ambiente de Ensino

arrowlogin

Consulte >

Investimento

Até 1 de Fevereiro
de 2018 

Inscrições

15 de Março
de 2018

Início

10 meses

Duração

Conduza iniciativas que envolvam a modelagem, implementação e validação de sistemas inteligentes, para a solução dos mais diversos tipos de problemas atuais. Conheça as melhores alternativas para aplicação de algoritmos e modelos computacionais inteligentes.

Desenvolvedor Deep Learning

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

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

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 Deep Learning

Análise de Viés em Inteligência Artificial

Aplicações com Deep Learning

Classificação, Predição e Simulação com Deep Learning

Frameworks para Redes Neurais

Limitações de Redes Neurais

Modelagem de Problemas com Deep Learning

Modelos Profundos não Supervisionados

Processamento de Linguagem Natural

Visão Computacional com Deep Learning

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