Descrição
Introdução à Inteligência Artificial e Machine Learning com Python
Carga horária: 18 horas
Professor: Marco Antônio Silva
Período: seis encontros virtuais de 3h cada, às segundas, quartas e sextas-feiras, das 19h às 22h. Dias 20, 22, 24, 27, 29 e 31 de Julho
Público-alvo: Profissionais, estudantes e demais interessados em adquirir conhecimentos e habilidades iniciais em Inteligência Artificial e Machine Learning utilizando a linguagem de programação Python.
Pré-requisitos: Não há. Desejável conhecimentos básicos em Python, contudo, não é impeditivo, considerando que o professor retoma os fundamentos da linguagem.
Ementa
Fundamentos de Inteligência Artificial e Machine Learning e Ambiente Python. Preparação dos Dados, Pré-processamento e Engenharia de Atributos. Aprendizado Supervisionado: Classificação. Aprendizado Supervisionado: Regressão. Aprendizado Não Supervisionado I: Agrupamento e Redução de Dimensionalidade. Aprendizado Não Supervisionado II: Detecção de Padrões e Otimização.
Objetivos
Objetivo geral: Capacitar iniciantes a aplicar técnicas de Inteligência Artificial e Machine Learning com Python em base de dados, abordando as etapas fundamentais de projetos supervisionados e não supervisionados com foco em análise, previsão, classificação e agrupamento (clustering).
Objetivos específicos: Ao completar o curso, o aluno deverá ser capaz de:
- Compreender os conceitos fundamentais de aprendizado supervisionado e não supervisionado.
- Utilizar bibliotecas Python para manipulação, visualização e modelagem de dados.
- Aplicar técnicas deprevisão, classificação, agrupamento e detecção de padrões.
- Executar etapas de preparação, pré-processamento e engenharia de atributos em base de dados.
- Avaliar modelos com métricas apropriadas e interpretar os resultados com foco prático.
- Identificar aplicações de Machine Learning em diversas áreas profissionais.
Conteúdo
- Fundamentos de Inteligência Artificial e Machine Learning e Ambiente Python
- Conceitos Introdutórios: Inteligência Artificial e Machine Learning
- Etapas de um projeto de Machine Learning
- Tipos de aprendizado: supervisionado vs não supervisionado
- Ambiente Python: Jupyter, Pandas, NumPy, Matplotlibe Seaborn
- Preparação dos Dados: Pré-processamento e Engenharia de Atributos
- Análise Exploratória de Dados
- Limpeza de dados: tratamento de nulos e duplicados
- Codificação de variáveis categóricas (LabelEncoding, One-Hot Encoding )
- Normalização e padronização (MinMaxScaler, StandardScaler)
- Divisão treino/teste e validação cruzada
- Aprendizado SupervisionadoI: Regressão
- Regressão Linear Simples
- Regressão Linear Multipla
- Avaliação com MAE, MSE e R²
- Interpretação da importância das variáveis
- Aprendizado SupervisionadoII: Classificação
- Regressão Logística
- KNN aplicado à classificação
- Árvore de Decisão
- Métricas: acurácia, precisão, recall, F1-score
- Aprendizado Não Supervisionado I: Agrupamento e Redução de Dimensionalidade
- Introdução ao aprendizado não supervisionado
- K-Meanspara segmentação
- PCA (Análise de Componentes Principais)
- Métricas: Inércia, SilhouetteScore
- Aprendizado Não Supervisionado II: Detecção de Padrões e Otimização
- DBSCAN para detecção de padrões e anomalias
- Otimização de hiperparâmetrosaplicado ao K-Means
- Interpretação de clusters e outliers
Bibliografia sugerida e comentada
Andrade, T. S., & Gomes, R. F. (2023). Aprendizado de máquina para iniciantes: teoria e prática com dados brasileiros. Belo Horizonte: Editora UFMG.
- Foco em aplicações reais com dados nacionais, ideal para contextualizar aprendizado supervisionado e não supervisionado.
Carvalho, D. R., & Silva, M. T. (2021). Análise de dados com Python: estatística, visualização e modelos preditivos. São Paulo: Ciência Moderna.
- Introduz estatística aplicada com foco em visualização e regressão, sem exigir base matemática avançada.
Pereira, M. A., & Costa, L. H. M. (2020). Inteligência artificial aplicada à economia e finanças. Brasília: Editora UnB.
- Foco em aplicações econômicas, com estudos de caso e uso de dados reais
Silva, A. F., & Oliveira, R. M. (2021). Introdução à ciência de dados: uma abordagem prática com Python. Rio de Janeiro: Elsevier.
- Ideal para quem nunca programou. Explica passo a passo como manipular dados e usar bibliotecas básicas.
Souza, J. C., & Lima, F. R. (2022). Machine Learning com Python: fundamentos e aplicações práticas. São Paulo: Novatec.
- Explica os principais algoritmos com exemplos simples e acessíveis, ideal para primeiros projetos.
Avaliação
Presença nas aulas: será controlada por meio virtual.
Certificado: O Certificado de aproveitamento do curso será entregue àqueles que participarem de ao menos 75% das aulas. O certificado é emitido pela Faculdade 28 de Agosto de Ensino e Pesquisa credenciada no MEC.
Metodologia
O curso será conduzido por meio de aulas online ao vivo com uma abordagem de ensino e aprendizagem ativa, demonstrativa, passo a passo e com atividades práticas (Hands-on).
É fundamental para o bom andamento do curso a participação ativa dos alunos nas atividades práticas em sala, a discussão e compartilhamento de ideias.
Currículo do professor
Doutorado em Sistemas de Transportes – IST / Universidade de Lisboa (2026), Doutorado em Administração – FEA/USP/SP, (2013), Mestrado em Administração de Empresas – EAESP/FGV (2005), Especialização em Gestão Empresarial – EBAPE/FGV (2001) e Graduação em Engenharia Civil pela Universidade Federal do Piauí- UFPI (1992)
Tem experiência em ensino e pesquisa nas áreas de Economia, Finanças, Avaliação de Investimentos, Estratégia Corporativa, Métodos Quantitativos e Data Science, Business Intelligence, Técnicas de Machine Learning & Inteligência Artificial Aplicados a Negócios e Engenharia, Linguagem de Programação C/C++, Python, R, Gestão de Projetos e Metodologias Ágeis, Infraestrutura de Engenharia Civil, Sistemas de Transportes e Logística.
