MBA em Ciência de Dados - Pós-Graduação

Objetivo geral

Formar profissionais qualificados para realizar projetos de desenvolvimento e administração de soluções em Ciências de Dados, utilizando tecnologias capazes de operar grandes volumes de dados processados.

Objetivos específicos

Formar um especialista com capacidade para construir algoritmos de machine learning;
Capacitar os alunos com os fundamentos de análise de dados usando linguagem R e Python;
Utilizar Técnicas de aprendizagem de máquina;
Conhecer fundamentos de Deep Learning;
Trabalhar com mineração de texto (PLN);
Utilizar ferramentas de MLOPS;
Montar dashboards na área de Ciência de Dados.

Público-alvo

Egressos de cursos de graduação nas áreas de Informática, tais como Ciência da Computação, Engenharia da Computação, Análise e Desenvolvimento de Sistemas e Sistemas para Internet. Profissionais que atuam na área de Desenvolvimento de Software e profissionais de outras áreas com aptidões em programação também podem participar, como Estatística e Administração.

Coordenação: Marcus Vinicius Barbosa Nunes de Miranda

sejaposunifor@unifor.br
marcus.miranda@unifor.br
(85) 3477-3174

Marcus Miranda

Mestre em Informatica Aplicada na linha de Pesquisa de Ciência de Dados e Inteligência Artificial. Pós-Graduado em Gerenciamento de Projetos, Governança de TI e Gestão Empresarial. Graduado em Análise e Desenvolvimento de Sistemas. Head de Serviços da TOTVS Nordeste. Certificações PMP, CBPP e HCMBOK.

Metodologia do curso

Ampla ênfase na troca de experiências sobre situações reais;
Metodologias ativas personalizadas aos diversos conteúdos;
Discussões de problemas complexos;
Estímulo à diversidade de opiniões, pensamentos, ideias, propostas e modelos.

CENTRAL DE CARREIRAS

INTERNACIONALIZAÇÃO

Diferenciais

MATRIZ CURRICULAR

Módulo I - Introdução à Ciência de Dados

Programação para Ciência de Dados
Estatística Descritiva para Ciência de Dados
Introdução a aprendizagem de máquina
Bancos Relacionais
Bancos de Dados NoSQL
Web Crawling, Scraping e Coleta de Dados Automatizada
Arquitetura e Automação de Pipelines de Dados
Mineração em Grafos

Módulo II - Aprendizagem de Máquina

Pré-Modelagem Estatistica em Ciência de Dados
Métodos de Aprendizado de Máquina Supervisionado
Métodos de Aprendizado de Máquina Não Supervisionado
Redes Neurais e Aprendizado Profundo
Métodos de Aprendizado por Reforço
Previsão de Séries Temporais
Visão Computacional: Técnicas e Aplicações

Módulo III - Projetos de IA

Pesquisa Operacional e Otimização em IA
Processamento de Linguagem Natural
IA Generativa
Machine Learning Operations
Arquiteturas Inteligentes: Agentes de IA e Geração Aumentada por Recuperação (RAG)
Seminário de Inteligência Artificial
Projeto de Inteligência Artificial