Programa do Curso de Pós-Graduação em Inteligência Artificial e Aprendizado de Máquina

Objetivos

O objetivo deste curso é capacitar profissionais de Inteligência Artificial e Aprendizado de Máquina para o desenvolvimento de soluções inovadoras e sustentáveis. O curso abordará os fundamentos da Inteligência Artificial, as principais técnicas e ferramentas de Aprendizado de Máquina, e as aplicações de Inteligência Artificial em diversos domínios.

Público-alvo

O curso é voltado para profissionais de Ciência da Computação, Engenharia, Estatística, Matemática e áreas afins, com formação superior completa.

Carga horária

O curso tem carga horária total de 420 horas.

Estrutura curricular

O curso é composto por 07 disciplinas, distribuídas da seguinte forma:

Disciplinas obrigatórias:

• Fundamentos de Inteligência Artificial (60 horas)

• Aprendizado de Máquina (60 horas)

• Aprendizado Profundo (60 horas)

• Mineração de Dados (60 horas)

• Visão Computacional (60 horas)

• Processamento de Linguagem Natural (60 horas)

• Robótica (60 horas)

Metodologia

O curso será ministrado na modalidade de educação a distância, com aulas online ao vivo, fóruns de discussão, atividades práticas e trabalhos individuais e em grupo.

Corpo docente

O corpo docente do curso é composto por professores especialistas em Inteligência Artificial e Aprendizado de Máquina.

Certificação

Os alunos que concluírem o curso com aproveitamento mínimo de 70% nas avaliações receberão o título de Especialista em Inteligência Artificial e Aprendizado de Máquina.

Disciplinas obrigatórias

Fundamentos de Inteligência Artificial

Ementa:

• Introdução à Inteligência Artificial

• Lógica e Representação do Conhecimento

• Raciocínio e Tomada de Decisão

• Aprendizado de Máquina

• Agentes Inteligentes

Bibliografia:

• Russell, S. J.; Norvig, P. Artificial Intelligence: A Modern Approach. 3ª ed. Pearson, 2009.

• Nilsson, N. J. Artificial Intelligence: A New Synthesis. 2ª ed. Morgan Kaufmann, 1998.

• Poole, D.; Mackworth, A.; Goebel, R. Computational Intelligence: A Modern Approach. 2ª ed. Elsevier, 2013.

Aprendizado de Máquina

Ementa:

• Introdução ao Aprendizado de Máquina

• Aprendizado Supervisionado

• Aprendizado Não Supervisionado

• Aprendizado por Reforço

• Algoritmos de Aprendizado de Máquina

Bibliografia:

• Mitchell, T. M. Machine Learning. 1ª ed. McGraw-Hill, 1997.

• Hastie, T.; Tibshirani, R.; Friedman, J. H. The Elements of Statistical Learning. 2ª ed. Springer, 2009.

• Murphy, K. P. Machine Learning: A Probabilistic Perspective. 1ª ed. MIT Press, 2012.

Aprendizado Profundo

Ementa:

• Introdução ao Aprendizado Profundo

• Redes Neurais Artificiais

• Aprendizado Profundo Supervisionado

• Aprendizado Profundo Não Supervisionado

• Aplicações de Aprendizado Profundo

Bibliografia:

• Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning. MIT Press, 2016.

• LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015.

• Chollet, F. Deep Learning with Python. Manning Publications, 2017.

Mineração de Dados

Ementa:

• Técnicas de Mineração de Dados

• Classificação

• Clusterização

• Regressão

• Análise de Texto

• Descoberta de Anomalias

Bibliografia:

• Tan, P.-N.; Steinbach, M.; Kumar, V. Introduction to Data Mining. 3ª ed. Pearson, 2016.

• Witten, I. H.; Frank, E.; Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques. 3ª ed. Morgan Kaufmann, 2011.

• Jiawei Han; Kamber, M. Data Mining: Concepts and Techniques. 3ª ed. Morgan Kaufmann, 2012.

  Visão Computacional

Ementa:

• Fundamentos de Visão Computacional

• Processamento de Imagem

• Reconhecimento de Objetos

• Detecção de Face

• Visão Computacional Avançada

Bibliografia:

• Forsyth, D. A.; Ponce, J. Computer Vision: A Modern Approach. 3ª ed. Pearson, 2018.

• Gonzalez, R. C.; Woods, R. E. Digital Image Processing. 4ª ed. Pearson, 2017.

• Szeliski, R. Computer Vision: Algorithms and Applications. Springer, 2011.

Processamento de Linguagem Natural

Ementa:

• Introdução ao Processamento de Linguagem Natural

• Análise Sintática e Semântica

• Processamento de Texto

• Geração de Linguagem Natural

• Aplicações de Processamento de Linguagem Natural

Bibliografia:

• Jurafsky, J.; Martin, J. H. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 3ª ed. Pearson, 2018.

• Manning, C. D.; Bird, S.; Russell, G. Speech and Language Processing. Morgan Kaufmann, 2015.

• Goldberg, Y. A Primer on Neural Language Processing. Morgan Kaufmann, 2017.

  Robótica

Ementa:

• Fundamentos de Robótica

• Cinemática e Dinâmica de Robôs

• Planejamento de Movimento

• Controle de Robôs

• Visão e Sensoriamento de Robôs

Bibliografia:

• Craig, J. J. Introduction to Robotics: Mechanics and Control. 4ª ed. Pearson, 2013.

• Siegwart, R.; Nourbakhsh, I. Introduction to Autonomous Mobile Robots. MIT Press, 2016.

• Sutton, R. S.; Barto, A. G. Reinforcement Learning: An Introduction. 2ª ed. MIT Press, 2018.