Segundas e quartas-feiras, das 19h às 22h30
Ciência de Dados é uma área multidisciplinar que tem como objetivo melhorar a tomada de decisão por meio da extração de conhecimento e informações dos dados. Este aperfeiçoamento tem o objetivo de apresentar metodologias, técnicas e ferramentas que possibilitem a análise e extração de conhecimento de pequenos e grandes volumes de dados. Com o auxílio da Inteligência Artificial, o conjunto de recursos disponíveis para a extração de conhecimento fica muito mais rico, sendo possível identificar padrões, gerar predições e simular cenários futuros, sempre com o intuito de minimizar o risco nas tomadas de decisão. Neste curso o aluno irá obter um sólido conhecimento sobre Aprendizado de Máquina, Estatística Aplicada, Análise e Mineração de Dados, Business Analytics e Big Data, sendo capaz de entender, identificar e desenvolver projetos completos de Análise Descritiva, Diagnóstica, Preditiva e Prescritiva. Este curso auxilia no desenvolvimento de competências críticas e analíticas dos alunos de forma prática, com projetos reais que devem ser desenvolvidos pelos alunos durante o segundo módulo.
O curso de Aperfeiçoamento é composto por dois módulos de 120 horas cada: Fundamentos em Ciências de Dados e Inteligência Artificial (120 h) e Ciência de Dados, Técnicas e Aplicações (120h).
Objetivo
Desenvolver profissionais capazes de entender e criar projetos completos em Ciência de Dados com suporte a modelos complexos de Inteligência Artificial, com o intuito de melhorar o processo de tomada de decisão com respeito a produtos e serviços oferecidos a seus clientes.
Público-alvo
Profissionais de áreas técnicas ou gerenciais que desejam compreender e utilizar Inteligência Artificial para gerar modelos mais complexos, capazes de ajudar a extrair informações e conhecimento a partir de dados, com o intuito de melhorar o processo de decisão em suas empresas ou instituições.
Diferencial
Uma sólida sequência lógica de aprendizado criada para que o aluno evolua de forma consistente e segura, sempre utilizando as ferramentas mais relevantes do mercado e com prática em problemas reais.
Carga Horária
240Os valores correspondentes aos descontos por períodos serão concedidos de acordo com a data de pagamento da taxa de Reserva
Até 20 de maio R$ 1.335,00
Até 20 de junho R$ 1.420,00
Até 20 de julho R$ 1.510,00
Após 20 de julho R$ 1.780,00
Ex-aluno graduado na Mauá: 10%
Grupos (2 ou mais alunos): 10%
Associados da AEXAM (ex-alunos): 15%
Ex-aluno graduado na Mauá em 2022: 30%
Empresas conveniadas (a consultar)
Matricula + 5 parcelas de R$ 1.780,00*
Condições especiais para ex-alunos, grupos e empresas conveniadas
*Investimento por módulo (120 horas)
O pagamento poderá ser efetuado por meio de boleto, cartão de débito ou crédito. Na efetivação da matrícula essa Taxa de Reserva será deduzida do valor da matricula. Em caso de desistência da matrícula o valor da taxa de reserva não será devolvido e a retenção se faz necessária para pagamento das despesas administrativas relativas ao processo seletivo, conforme preconizado no Código de Defesa do Consumidor. Caso não haja número de alunos interessados para formação de turma, o valor correspondente à Taxa de Reserva será devolvido integralmente.
*Valores atualizados para 2023, sujeitos a correção por índices inflacionários para o período de 2024.
Nesta disciplina o aluno aprenderá conceitos sobre Big Data de forma prática e irá coletar, limpar e analisar grandes volumes de dados usando softwares de código aberto como Hadoop e Spark. O aluno será capaz de realizar análises de dados em larga escala, predições e gerar visualizações que darão apoio a decisões orientadas a dados, ele também entenderá os desafios de aplicar ciência em cenários reais com grandes volumes de dados.
Esta disciplina consiste em conectar dados e decisões de negócios. O principal objetivo é elucidar aos alunos porque certas decisões precisam ser baseadas em dados, apresentar ferramentas com plataformas reconhecidas do mercado para a área de BI.
Esta disciplina consiste em desenvolver a capacidade técnica e analítica do aluno quanto a exploração de dados utilizando técnicas como KDD (knowledge-discovery in databases) e ferramentas de exploração, análise e visualização de dados para modelar e entender o ocorrido, com o intuito de extrair informações relevantes e conhecimentos dos dados e auxiliar a tomada de decisão baseado na análise do passado.
Na disciplina de Projetos em Ciência de Dados serão aplicados conceitos avançados de extração de informação e predição de cenários utilizando dados e problemas reais para empresas ou para sociedade. Neste módulo os alunos exercitarão as dimensões de Análise Preditiva e Prescritiva sobre um cenário real controlado, ou Análise Descritiva e Diagnostica sobre um grande volume de dados aplicando os conceitos de Big Data em um projeto real. O aluno deverá ser capaz de apresentar suas descobertas e insights aplicando técnicas aprendidas ao longo do curso.
A disciplina irá apresentar conceitos relacionados a extração de conhecimento a partir dos dados, com o intuito de basear as decisões de negócio em dados. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva, Análise Diagnóstica e Preditiva dentro da área de Ciência de Dados, entender o processo de coleta de dados, de transformar dados em informação, de manipular e filtrar dados, executar análises estatísticas inferenciais básicas e exibir os dados graficamente, para assim poder explorar e compreender comportamentos, tendências que ajudarão na tomada de decisões.
O objetivo principal dessa disciplina é fornecer uma visão geral da área de Aprendizado de Máquina e dos principais conceitos e métodos utilizados em problemas de natureza não probabilística. A disciplina se baseia em estudos de casos em que possam ser aplicados algoritmos de aprendizado para situações de percepção e controle, compreensão de texto (pesquisa na web e anti-spam), visão computacional, informática médica, áudio e outras áreas.
Modelagem de problemas e soluções que envolvam aspectos de natureza probabilística. Exploração da abordagem bayesiana e cadeias de Markov na modelagem e sintonia de parâmetros a partir de base de dados. Teoria de probabilidades e a variável tempo: regressão e análise de tendência. Trabalhos do grupo: https://epidemicapp-280600.web.app/ (Aplicação para CoViD19) e https://corot-contributions.readthedocs.io/ (Detecção de exoplanetas).
Esta disciplina apresenta conteúdos relacionados a análise e apresentação de dados, passando pelo ambiente de programação. A disciplina é baseada em atividades práticas onde o aluno aprende as estruturas fundamentais da linguagem de programação Python, bem como o uso de bibliotecas para análise e exibição de dados. Ao final, o aluno será capaz de desenvolver projetos de Análise Descritiva e Análise Diagnóstica dentro da área de Ciência de Dados, entender o processo de coleta de dados, de transformar dados em informação, de manipular e filtrar dados, executar análises estatísticas inferenciais básicas e exibir os dados graficamente, para assim poder explorar e compreender comportamentos, tendências que ajudarão na tomada de decisões.
Doutor na área de métodos quantitativos e informática pela FEA/USP. Possui mais de 10 anos de experiência na área de análise de dados. Atua há mais de 3 anos como cientista de dados líder na Datakron, participando de entregas de projetos de alta escala de dados nos segmentos como Telecom, energia e marketing digital.
Doutor em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Mestre em Engenharia Mecatrônica pelo Instituto Tecnológico de Aeronáutica. Graduado em Engenharia de Controle e Automação pela Mauá. Desenvolve atividades e pesquisas na área de robótica autônoma móvel, sistemas de controle, robótica industrial e sistemas microcontrolados.
Doutorando em Engenharia de Sistemas pela Escola Politécnica da USP. Mestre em Engenharia Elétrica pela Universidade Federal do ABC (UFABC). Graduado em Engenharia Eletrônica pelo Instituto Mauá de Tecnologia. Graduado em Matemática pelo Centro Universitário Fundação Santo André. Membro do Comitê de Educação da SAE Brasil. Atua nas áreas de matemática, estatística e ciência de dados.
Professor titular do IMT, pesquisador visitante no Observatório de Paris (2004-2006) e bolsista de produtividade do CNPq. Coordenador da participação do IMT nos projetos: Plato (ESA - Agência Espacial Europeia), Telescópio Gigante de Magalhães - EUA e Hires (ESO - Europa), os dois primeiros com financiamento FAPESP.
Engenheiro eletricista pelo Instituto Mauá de Tecnologia, 2000 e Pós-Graduado em Docência no Ensino Superior pela Universidade Municipal de São Caetano do Sul (USCS), 2011. Consultor especialista em modelagem matemática, pesquisa operacional e simulação de eventos discretos do Centro de Pesquisas do IMT e da empresa Simulate Tecnologia de Simulação. Atuou como professor do Curso de Engenharia de Produção da Escola de Engenharia Mauá por 18 anos.
Fale Conosco
PORTAL
