Inteligência Artificial e Ciência de Dados

• Fundamentos científicos da felicidade no ambiente de trabalho, com base na neurociência, psicologia positiva e economia do bem-estar. * Relações entre engajamento, clima organizacional e alta performance. * Estratégias para o desenvolvimento de resiliência, inteligência emocional e adaptabilidade em contextos corporativos. * Mindfulness aplicado ao bem-estar no trabalho: benefícios, mitos e equívocos. * Construção de culturas organizacionais voltadas à felicidade como diferencial competitivo e fator de retenção de talentos. * Abordagem preventiva do estresse e burnout em cenários de transformação digital e alta performance.

• Apresentação de gerência de projetos, papel do líder e time do projeto. * Metodologias e ciclo de vida de gestão de projetos. * Boas práticas de gerência apresentadas no PMBOK pelo PMI e metodologia ágil e qual metodologia utilizar a depender do tipo de projeto. * Técnicas para iniciação e planejamento de projetos, desde escopo, custo e cronograma até gestão de riscos. * Métodos para executar, monitorar e controlar projetos e ferramentas para encerramento de projetos.

• Conceito de inteligência competitiva. * Conceitos envolvidos em inteligência competitiva: dado-informação-inteligência-conhecimento. * O processo de IC: gestão; estratégia de atuação da organização; necessidades de informação da organização; coleta de informação; análise das informações.

• Introdução ao Aprendizado de Máquina (Machine Learning). * Conceitos básicos de: Sistemas Especialistas, Algoritmos de Aprendizado Supervisionado, Algoritmos de Aprendizado Não-supervisionado, Classificação (Naive Bayes, Arvores, Florestas, SVM, Regressão Logistica, KNN) e Regressão (Linear, Logistica), Sistemas de recomendação, Aprendizado por Reforço (Reinforcement Learning), Introdução às Redes Neurais e Deep 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.

• Definição e histórico. * Mineração de dados. * Evolução no tratamento dos diferentes modelos de bancos de dados. * Big Data: definição, características e gerenciamento. * Do processo de coleta ao processamento e a geração de conhecimento e sabedoria. * Novos tipos de dados em Big Data: semi e não estruturados. * Tratamento e gerenciamento. * Tecnologias Fundamentais para Big Data: Infra-estrutura e interfaces. * Desafios estruturais. * Fundamentos do Ecossistema Hadoop (Map Reduce, Data Lake, HDFS). * Big Data Analitycs. * Computação em nuvem. * Computação distribuída. * Internet das Coisas. * Bancos SQL e NoSQL. * Soluções em Big Data / Consumo. * Estudos de Caso. * Tendências. * Cientista de dados: perfil do novo profissional de dados. * Mercado atual e tendências.

• Princípios básicos da experiência de usuário aplicados no desenvolvimento de iniciativas de inteligência artificial. * Comportamento do consumidor e fundamentos em metodologia de pesquisa, desenho centrado no usuário e estratégias para a divisão de tarefas humano-máquina.

Teoria da linguagem, modelagem estatística com tokenização, bag of words, n-gramas, TF-IDF, word2vec, uso de redes neurais convolucionais, redes neurais recorrentes e LSTM, seq2seq e reconhecimento de voz.

Qualidade de dados, tratamento e preparação de dados, ferramentas e técnicas de processamento de dados, visualização da Informação, arquiteturas de interação, métodos e técnicas de organização e visualização de dados, dashboard design, ferramentas para visualização de dados.

• Armazenamento massivo de dados. * Bancos orientados à documento e grafos. * Modelagem relacional para um banco de dados. * Definição das regras de acesso. * Formulação de consultas SQL. * Modelagem e implementação de base de dados utilizando modelos não relacionais. * Bases NoSQL. * Introdução à Inteligência Artificial: Deep Learning, Sistemas de recomendação. * Técnicas de Aprendizagem de Máquinas. * Análise de Dados baseadas em Estatística. * Técnicas de Agrupamento. * Técnicas de regressão.