Módulo 1: Fundamentos de Python

• Instalação e configuração do ambiente de desenvolvimento (VS Code, Jupyter Notebook
• etc.);
• Sintaxe básica: variáveis, operadores, tipos de dados, estruturas condicionais e laços;
• Funções: definição, parâmetros, retorno e escopo;
• Manipulação de strings e listas;
• Introdução a bibliotecas padrão do Python;
• Boas práticas de código e documentação.

Módulo 2: Programação Orientada a Objetos (POO) e Estruturas de Dados

• Conceitos de POO: classes, objetos, herança, encapsulamento e polimorfismo;
• Criação e manipulação de objetos e classes;
• Estruturas de dados: listas, tuplas, dicionários, conjuntos e suas operações;
• Métodos especiais e sobrecarga de operadores;
• Boas práticas de POO em Python.

Módulo 3: Desenvolvimento Web com Python

• Fundamentos de desenvolvimento web: HTTP, HTML, CSS e requisições;
• Introdução ao Flask e/ou Django: configuração e criação de um projeto básico;
• Estrutura de uma aplicação web: rotas, templates e manipulação de formulários;
• Integração com banco de dados (SQLite, PostgreSQL ou MySQL);
• CRUD (Create, Read, Update, Delete) em uma aplicação web;
• Boas práticas de desenvolvimento web.

Módulo 4: Ferramentas Avançadas e Integrações

• Manipulação e análise de dados com Pandas e NumPy;
• Introdução do Aprendizado de Máquina com Python;
• Introdução à automação de tarefas com Python (web scraping, automação de arquivos);
• Conceitos de APIs RESTful e integração com APIs externas;
• Versionamento de código com Git e GitHub;
• Deploy de aplicações Python (Heroku, PythonAnywhere).

Módulo Desafio Final

Desenvolvimento de uma aplicação que integre os conhecimentos adquiridos em todos os módulos (por exemplo, uma aplicação web interativa que manipule dados de um banco de dados e utilize uma API), ou construir e realizar o deploy de um modelo de aprendizado de máquina com

Python.

Módulo 1: Fundamentos de Machine Learning

• Introdução ao aprendizado de máquina;
• Algoritmos de aprendizado: supervisionado, não supervisionado e por reforço;
• Conceitos de classificação e regressão;
• Sistemas de recomendação;
• Redes Neurais e Deep Learning;
• Processamento de Texto e Análise de Sentimentos;
• Pipeline de machine learning: coleta e preparação de dados, treino e avaliação de modelos;
• Métricas de avaliação: acurácia, precisão, recall, F1-score, AUC-ROC;
• Introdução ao uso de bibliotecas de ML: Scikit-Learn para algoritmos básicos e
• manipulação de dados;
• Projeto inicial com uma aplicação prática (classificação ou regressão simples).

Módulo 2: Manipulação e Preparação de Dados

• Manipulação de dados com Pandas e NumPy (focando em limpeza, agregação e
• transformação);
• Tratamento de dados ausentes e imputação;
• Feature engineering: transformação de variáveis, encoding de variáveis categóricas,
• normalização e padronização;
• Técnicas de seleção de features (seleção baseada em correlação e uso de técnicas como
• Lasso);
• Redução de dimensionalidade com PCA e outras técnicas;
• Projeto de preparação de dados aplicado a um conjunto de dados real.

Módulo 3: Modelagem Avançada e Ajuste de Hiperparâmetros

• Algoritmos de machine learning avançados: árvores de decisão, Random Forest, Gradient
• Boosting, XGBoost;
• Técnicas de ajuste de hiperparâmetros: Grid Search, Random Search, Tuning, Randomized
• Parameter, Optimization, Força Bruta;
• Validação cruzada, métodos de validação para evitar overfitting e seleção de modelos;
• Interpretação de modelos e análise de feature importance;
• Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento;
• Métricas multilabel;
• Escolha de algoritmos;
• Medidas de qualidade. Avaliação da qualidade de uma solução;
• Curvas de validação e Curvas de aprendizado;
• Projeto prático de modelagem avançada e ajuste de hiperparâmetros.

Módulo 4: Produção e Monitoramento de Modelos

• Introdução ao MLOps e ciclo de vida de modelos em produção;
• Ferramentas de deployment: Flask, FastAPI e introdução a frameworks de MLOps (como
• MLflow ou Kubeflow);
• Monitoramento de modelos: detecção de drift, ajuste contínuo e atualização de modelos;
• Criação de APIs para servir modelos e integração com aplicações externas;
• Boas práticas de documentação e versionamento de modelos;
• Projeto final: deployment e monitoramento de um modelo em um ambiente simulado.

Módulo Desafio Final

Desenvolver uma aplicação que utilize vários conceitos de machine learning para a solução de problemas reais e realizar o deploy da aplicação.

Módulo 1: Fundamentos

• Introdução, Ordem Cronológica e história das Redes Neurais Artificiais;
• Características básicas de Redes Neurais Artificiais;
• Estrutura do neurônio artificial;
• Funções de Ativação, Perda e Custo;
• Descida do Gradiente;
• Learning Rate;
• O modelo MCP;
• Treinamento e Técnicas de Aprendizado (Supervisionado, Semisupervisionado e Não
• Supervisionado);
• Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);
• AlexNet;
• Algoritmo Backpropagation;
• Redes de Função de Base Radial;
• GAN, GRU e LSTM;
• Aplicações de Redes Neurais Artificiais;
• Reconhecimento de padrões;
• Classificação de imagens;
• Séries Temporais;
• Geração de Conteúdo;
• Precificação Dinâmica;
• Convolutional Neural Networks (CNN);
• Definição da quantidade de camadas e do número de neurônios.

Módulo 2: Processamento de Linguagem Natural

• Introdução ao Processamento da Linguagem Natural;
• Estrutura e sintaxe da linguagem;
• Técnicas de pré-processamento de textos;
• Word2Vec;
• BagOfWords;
• Glove;
• Arquitetura de Processamento da Linguagem Natural;
• Coleta de dados Web e redes sociais;
• Análise de Sentimento;
• Análise semântica;
• Desambiguação;
• Processamento de textos;
• Tradução de textos.

Módulo 3: Sistemas de Recomendação

• Introdução aos sistemas de recomendação;
• Métodos para recomendações;
• Medidas de similaridade;
• Amostragem;
• Dimensão reduzida;
• Recomendação por associação;
• Filtragem Colaborativa para recomendação;
• Filtragem baseada em conteúdo;
• Filtragem Demográfica;
• Agrupamento K-means aplicado a Sistemas de Recomendação;
• Análise de Correlação aplicada a Sistemas de Recomendação;
• Métrica para avaliação de sistemas de recomendação.

Módulo 4: Aplicações de Aprendizado de Máquina para IoT

• Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/ gateways);
• Elementos constituintes e características dos dispositivos IoT;
• Particularidades dos dados gerados pelos dispositivos IoT;
• Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data
• warehouse etc.);
• Computação em nuvem, neblina e edge na IoT;
• Dispositivos para IoT (Arduino e Raspberry Pi);
• Análise de dados em dispositivos IoT;
• Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado
• com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e
• governamental;
• Importância do aprendizado de máquina para a IoT;
• Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.

Módulo Desafio Final

Realizar o deploy de um modelo capaz de realizar a identificação e classificação de padrões complexos.