Curso de Introdução à Ciência de Dados e Aprendizado de Máquina aplicado na Indústria 4.0

O curso aborda conceitos fundamentais de Inteligência Artificial e Big Data, direcionado a gestores públicos e privados, profissionais da indústria/serviços, técnicos e empreendedores iniciantes na área de ciência de dados. Os participantes aprenderão sobre análise uni variada, medidas estatísticas, visualização de dados, detecção e tratamento de outliers, e princípios de aprendizado de máquina supervisionado. Explora-se a aplicação desses conhecimentos em diversos setores industriais e de serviços, proporcionando uma base sólida para compreensão e utilização prática de técnicas de ciência de dados na tomada de decisões e na solução de problemas complexos.

Profissionais e estudantes das áreas de logística, engenharias, gestão de operações e áreas afins, que desejam aprimorar seus conhecimentos em modelagem e simulação de processos logísticos.

Os participantes deverão aprender sobre análise uni variada, medidas estatísticas, visualização de dados, detecção e tratamento de outliers, e princípios de aprendizado de máquina supervisionado.

Online – 100% remoto

De 07/12/2024 a 15/02/2025, aos sábados, das 9h às 12h, conforme
cronograma abaixo:

Investimento: R$ 670,00 (seiscentos e setenta reais)

Período de inscrição: Até 15/11/2024

Forma de Pagamento:
Para que a inscrição seja efetivada é necessário efetuar o pagamento do valor do curso através dos meios abaixo:

– À vista (boleto ou cartões)
– Boleto (em até 2 vezes sem juros)
– PIX (via QR Code no próprio boleto);
– Cartão de Débito (à vista);
– Cartão de Crédito (em até 2 vezes sem juros).

Prof. Marcelo Carneiro Gonçalves

Pós-Doutor em Engenharia de Produção e Sistemas (PPGEPS/PUCPR) com ênfase na área de Inteligência Artificial. Doutor e Mestre em Engenharia de Produção e Sistemas com ênfase na área de Pesquisa Operacional (PPGEPS/PUCPR). Bacharel em Engenharia de Produção pela Universidade do Estado do Pará – UEPA. Pós-graduado em Metodologia do Ensino para a Educação Superior (UNINTER). É Professor Adjunto na Universidade de Brasília (UNB) e foi, no período 2019-2023, Professor Adjunto, dos cursos de graduação e pós-graduação latu sensu da Pontifícia Universidade Católica do Paraná (PUCPR). Editor associado da Revista Produto e Produção do programa de pós-graduação em Engenharia de Produção da Universidade do Rio Grande do Sul (ISSN: 1983-8026). Revisor de artigos científicos do Internacional Conference on Production Research (ICPR – Américas), SIMPEP (Simpósio Brasileiro de Engenharia de Produção), ENEGEP (Encontro Nacional de Engenharia de Produção) e CONBEPRO (Congresso Brasileiro de Engenharia de Produção). Exerceu funções de gestão na área de logística e gestão de operações em empresas do setor de distribuição de combustíveis. Possui experiência internacional profissional e acadêmica em: Atlanta/Estados Unidos (2023), Nashville/Estados Unidos (2023), Charlotte/Estados Unidos (2023), Blacksburg/Estados Unidos (2023), Milão/Itália (2022), Veneza/Itália (2020), Lisboa/Portugal (2020) e Santiago/Chile (2016). Possui experiência de docência em graduação e pós-graduação nas áreas de Pesquisa Operacional I e II, Planejamento e Controle da Produção I e II, Logística Empresarial, Projeto de Fábricas Sustentáveis, Gestão de Serviços, Marketing, Delineamento de Experimentos, Modelagem e Simulação de Processos Logísticos, Modelagem de Processos na área de Engenharia de Software, Processo de Desenvolvimento de Software para Dispositivos Móveis e Gestão da Tecnologia da Informação. Possui pesquisas em desenvolvimento nas áreas de Pesquisa Operacional e Inteligência Artificial.

UNIDADE I

• Compreender os Conceitos de Inteligência Artificial (IA) e Big Data;
• Definir os princípios fundamentais da Inteligência Artificial (IA);
• Explore as aplicações da IA em vários setores;
• Compreender os princípios básicos e o significado do Big Data.

UNIDADE II

• Aplicar Análise Uni variada e Multivariada;
• 1473 Aplicar Análise Uni variada, considerando medidas de dispersão de tendência central (média, mediana, moda);
• Aplicar Análise Uni variada, considerando medidas de dispersão (desvio padrão, amplitude);
• 14 75 Aplicar Análise Uni variada, considerando representações gráficas (histogramas e boxplots);
• Aplicar Análise Multivariada, considerando a interpretação de relações entre múltiplas variáveis através do uso de gráficos de dispersão e outras visualizações.

UNIDADE III

• Analisar dados ausentes e valores discrepantes;
• Identificar tipos e causas de dados faltantes;
• Aplicar técnicas de imputação (imputação de média ou mediana) e exclusão;
• Detectar outliers usando métodos estatísticos;
• Implementar estratégias para lidar com outliers (exclusão e imputação).

UNIDADE IV

• Apresentar os conceitos introdutórios de aprendizado de máquina;
• Compreender os princípios da aprendizagem supervisionada;
• Explorar algoritmos clássicos (regressão linear, árvores de decisão e KNN);
• Aplicar métricas para avaliar o desempenho do modelo de aprendizado de máquina (exatidão, precisão, recall);
• Explorar aplicações reais de aprendizado de máquina em diferentes domínios da Engenharia.