O documento descreve as disciplinas de um MBA em Aprendizado de Máquina oferecido pelo Instituto de Gestão e Tecnologia da Informação, incluindo Gestão de Pessoas, Inteligência de Negócio, Aprendizado de Máquina e Integralização. As disciplinas abordam tópicos como planejamento de carreira, comunicação, liderança, big data, deep learning, sistemas de recomendação e metodologia de projetos e trabalho de conclusão de curso.

1. PÓS-GRADUAÇÃO
MBA em Aprendizado de Máquina
EMENTA DE DISCIPLINAS

2. O Instituto de Gestão e Tecnologia da Informação é um centro de especialização profissional
em TI. Fundado em 2006, tem como missão contribuir para o desenvolvimento de
competências e conhecimentos em Tecnologia da Informação. Estude a distância com aulas
semanais por videoconferência.

4. Gestão de Pessoas
PLANO ESTRATÉGICO PESSOAL
Conceitos sobre o Planejamento Estratégico Pessoal, o
mercado de trabalho e a evolução das teorias sobre carreiras.
Os ciclos de influência existentes: biossocial, familiar e
profissional. As âncoras de carreira e como identificar a sua.
Ambientes e estratégias de carreira. Roda da vida e SWOT.
Tendências para o PEP
COMUNICAÇÃO INTERPESSOAL
A comunicação: sua forma e conteúdo. Princípios da oratória:
as quatro grandes técnicas de oratória. Nervosismo ao falar
em público. Como organizar uma apresentação. Formas de
apresentação: Fala espontânea planejada,fala memorizada,
fala improvisada, leitura profissional. Recursos audiovisuais.
Comunicação em reunião de mesa e Comunicação virtual.
LIDERANÇA, NEGOCIAÇÃO E GESTÃO DE CONFLITOS
Liderança. Quem são os líderes e o que fazem? Abordagem
comportamental de liderança. Questões contemporâneas
sobre liderança. Introdução à negociação. Negociação e
gestão de conflito. Etapas do processo de negociação. Tipos
de negociação

5. Inteligência de Negócio
FUNDAMENTOS DE BIG DATA
Definição e fundamentos do Big Data. Utilização e Tecnologia
para o Big Data. Capacitação e profissionais. Estudos de caso.
Big Data em 30 minutos.

6. Aprendizado de Máquina
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
Internet das Coisas e Análise de Dados. A revolução da
Internet das Coisas. IoT, Analise de Dados e Computação na
Nuvem. A Indústria da Internet das Coisas. Planejamento
Estratégico para Cidades Inteligentes. Aprendizado, Análise e
Internet das Coisas. Aprendizado de Máquina e Internet das
Coisas. Big Data e IoT.
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.
DEEP LEARNING
Características básicas de Redes Neurais Artificiais: Estrutura
do neurônio artificial, o modelo MCP, treinamento e Técnicas
de Aprendizado (Supervisionado e Não-Supervisionado),
Perceptron e Rede Perceptron de Múltiplas Camadas (MLP),
algoritmo Backpropagation, redes de Função de Base Radial.
Aplicações de Redes Neurais Artificiais: Reconhecimento de
padrões, classificação de imagens, séries temporais.
Características de Deep Learning: Introdução ao Deep
Learning, Convolutional Neural Networks, Redes Neurais
Recorrentes e Recursivas (Recurrent and Recursive Neural
Networks), Redes Neurais Bi-direcionais, Reinforced Learning
Networks.

7. Aprendizado de Máquina
FUNDAMENTOS EM APRENDIZADO DE MÁQUINA
Introdução ao Aprendizado de Máquina (Machine Learning).
Conceitos básicos de: sistemas specialistas; algoritmos de
aprendizado supervisionado; algoritmos de aprendizado não-
supervisionado; classificação e regressão; sistemas de
recomendação; redes neurais e Deep Learning 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.
FRAMEWORKS DE SOLUÇÕES EM APRENDIZADO DE
MÁQUINA
Frameworks de Aprendizado de Máquina: visão geral, quando
utilizar, características, vantagens e desvantagens. Apache
Spark MLlib: classificação, regressão, recomendação,
agrupamento, modelagem, 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 e regressão.
MODELOS PREDITIVOS
Introdução à Modelagem Preditiva. Passos para a construção
de um Modelo Preditivo. Over-Fitting. Resampling. Boosting.
Algoritmos para construção de Modelos Preditivos.
Comparação entre modelos. Aplicações de Modelos
Preditivos.
RECONHECIMENTO DE PADRÕES
Importância do Reconhecimento de Padrões. Classificadores
baseado em Bayes Decision Theory. Classificadores Lineares.
Classificadores Não-Lineares. Algoritmos de agrupamento.
Problemas e aplicações.

8. Aprendizado de Máquina
SISTEMAS DE RECOMENDAÇÃO
Introdução aos sistemas de recomendação. Métodos para
recomendações: medidas de similaridade, amostragem,
dimensão reduzida, recomendação por associação e
classificação. Agrupamento K-means aplicado à Sistemas de
Recomendação. Sistemas Híbridos de Recomendação.
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. Medidas de qualidade. Avaliação da qualidade de uma
solução. Curvas de validação. Curvas de aprendizado.

9. Integralização
METODOLOGIA PARA O PROJETO APLICADO
Conceitos, classificação das pesquisas e trabalho acadêmico.
Projetos de pesquisa: O que é, fases de planejamento,título,
problema, objetivo, justificativa, metodologia, referências,
modelos de Projeto de Pesquisa. Artigo Científico: aspectos
em que o artigo será avaliado.Aspectos técnicos da
formatação: ilustração, sigla, equações e fórmulas, tabela,
citações e referências, regras gerais.
TRABALHO DE CONCLUSÃO DE CURSO
Participação em atividades de orientação individual por
videoconferência e fórum, aulas interativas, entregas
intermediárias e apresentação presencial do trabalho, que
compõem o processo de orientação para o bom
desenvolvimento do TCC
APRESENTAÇÃO, MODELO DE ENSINO E NORMAS
ACADÊMICAS
O IGTI e modelo de ensino. Canais de atendimento ao aluno e
normas acadêmicas.O trabalho de conclusão do curso – TCC.
Visão geral do ambiente de ensino a distância.

10. www.igti.com.br