Aprenda com quem faz

< PÓS-GRADUAÇÃO
EM DATA SCIENCE COM
INTELIGÊNCIA ARTIFICIAL />
EMENTA
Conteúdo_
> Sobre a XP EDUCAÇÃO 03

> Sobre a Pós-Graduação 04

> Conteúdo 05-12

> Projeto Aplicado 13

> Bootcamp Cientista de Dados AI Expert 14-32

> Contato 33
Sobre a XP EDUCAÇÃO_
A XP Educação integra a XP Inc., um dos maiores grupos empresariais do país.
A empresa que simplificou a vida financeira de milhares de pessoas agora vai
transformar vidas e carreiras por meio da educação.

A Faculdade XP Educação traz toda a sua potência disruptiva e transformadora

para oferecer uma formação profissional alinhada às demandas da nova economia
digital, em um ecossistema educacional único.

Nossos compromissos são:

Melhorar a vida das pessoas Formar novos talentos digitais

A educação é a base de transformação Cursos acessíveis e de qualidade para

da sociedade e contribui para desenvolver reduzir o déficit de talentos digitais no
visão crítica e consciência cidadã. Brasil formando profissionais para o
mercado de trabalho.

Inovar para educar e transformar

Novas experiências educacionais tornam o aprendizado cada vez mais

leve e atrativo para os alunos.
03
Sobre a Pós-Graduação_

Formação de 10 a 12 meses Cursos atualizados e adequados

para sua sua jornada profissional
A sua jornada pode ser concluída
em 10 meses. Caso opte por acelerar Conteúdo com teoria e muita prática para
sua carreira ainda mais e fazer o upgrade você solucionar problemas enfrentados
com IA, sua formação levará até 12 meses no dia a dia de trabalho.
para ser concluída e você terá uma
DUPLA certificação.

Pós-Graduação Lato Sensu para você Agilidade, qualidade, foco no aluno,

virar especialista suporte e acessibilidade

Experiência educacional interativa, Professores que são referência em

hands-on e centrada no aluno. Uma suas áreas. Curso prático que contempla
oportunidade para você dar um salto conteúdo teórico, dois desafios e Projeto
na carreira. Aplicado.

04
Bootcamp Cientista de Dados_
Objetivo principal

O bootcamp tem como objetivo abordar de forma intensiva conceitos e práticas da Ciência
de Dados, habilitando o aluno para atuar profissionalmente na área.

Pré-requisitos

Conhecimento básico em lógica de programação.

05
Módulos_

Aquecimento e Regras do Jogo (ARJ)

Visão geral da dinâmica do curso, conteúdos e ferramentas utilizadas.

Fundamentos de Estatística e Aprendizado de Máquina

• Fundamentos de análise estatística de dados para o Big Data

• Conceitos e aplicação de correlação entre variáveis
• Conceitos e aplicação de Regressão Linear Univariada e Multivariada
• Conceitos e aplicação do Controle Estatístico de Processos
• Aplicações e conceitos de Séries Estatísticas
• Aplicações da análise estatística de dados aplicadas ao Big Data
• Análise prática da probabilidade de eventos de interesse
• Análise comparativa entre conjunto de dados
• Aplicações e conceitos de testes de hipóteses e testes A/B

06
 Desenvolvimento de Soluções Técnicas para o Processamento
Utilizando Spark do Big Data

• Conceitos básicos sobre Spark • Processamento dinâmico de dados

• Dataframe utilizando o Spark Streaming
• SparkSession • Aplicações utilizando os ambientes
• Transformações Spark GraphX e MLlib
• Tipos de dados • Algoritmos de aprendizado de máquina
• Operações para a preparação e processamento do
• Funções de Agregações Big Data
• Fontes de Dados • Aplicações utilizando o Spark MLlib
• RDDs • Ambientes Kafka e Amazon Kinesis
• Estatística descritiva com Spark • Integração entre ambientes e
• Spark SQL ferramentas para o processamento
• GraphX do Big Data
• MLlib e Streaming • Conceitos de modelagem e teoria
• Deploy de grafos
• Spark x Hadoop • Aplicações utilizando Neo4j

07
 Análise de Dados Utilizando Dashboards

• Introdução aos dashboards

• Categorias dos dashboards
• Estudos de gráficos para dashboards
• Os erros mais comuns na construção de um dashboard
• Os princípios visuais da Gestalt
• Boas práticas de construção de dashboards
• Principais metas para um dashboard visual
• Desenvolvendo dashboards empresariais
• Data storytelling

Desafio Final:
Aplicar o pipeline da ciência de dados e realizar o deploy de uma aplicação
para análise em tempo real.

Carga horária do Bootcamp: 148 horas

08
Bootcamp Arquiteto(a)
de Big Data_
Objetivo

Este curso tem o objetivo de formar um profissional capacitado para utilizar os

principais frameworks do Big Data na coleta, armazenamento e tratamento de
dados estruturados e não estruturados para construir soluções que empregam as
mais modernas tecnologias em aplicações com grandes volumes de dados.

Pré-requisitos

Conhecimento em lógica de programação.

09
Módulos_

Aquecimento e Regras do Jogo (ARJ)

Visão geral da dinâmica do curso, conteúdos e ferramentas utilizadas.

Fundamentos

• Introdução ao Big Data

• Definição e fundamentos do Big Data (data lake, data warehouse etc)
• Introdução aos frameworks e ferramentas do Big Data
• Tecnologias para o Big Data
• Fontes de dados para o Big Data
• Empresas Data Driven
• Capacitação e profissionais do Big Data

10
 Coleta e Obtenção de Dados

• Inteligência Coletiva
• Web Semântica
• Ontologia
• Buscas avançadas: pessoas, negócios e redes sociais
• Coleta de dados na Web – Web Crawler (redes sociais, blogs e notícias)
• Ferramentas para coletas de dados
• API’s de redes sociais

Persistência em Banco de Dados NoSQL

• Introdução
• Banco de dados relacionais
• Limitações de Bancos de Dados Relacionais
• Motivações para bancos NoSQL
• Tipos de Bancos NoSQL
• ACID x BASE
• Key-value databases
• Document databases
• Column Family Databases
• Graph Databases

11
 Processamento de Dados Utilizando o Ecossistema Hadoop

• Modelagem de Dados com o Hadoop

• Data Ingestion
• Componentes do ecossistema Hadoop
• Processamento de Dados
• Padrões de Processamento com Hadoop
• Processamento de Grafos com Hadoop
• Processamento em tempo real

Desafio Final:
Aplicar a coleta, o armazenamento e a detecção de anomalias em
diferentes bases de dados.

Carga horária do Bootcamp: 148 horas

12
Projeto Aplicado_
Sobre o P.A.

A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação,

é hora de começar seu Projeto Aplicado como Desafio de Conclusão. É a última etapa
da sua especialização, momento em que você será, mais do que nunca, protagonista da
sua jornada de conhecimento.

Você será apresentado para problemas com alto grau de incerteza e o desafio será
propor ideias inovadoras para solucioná-los. O projeto substitui o tradicional Trabalho
de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor,
aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.

Durante o Desafio de Conclusão, você terá aulas interativas, reuniões de orientação em

grupo e fórum individual para lhe auxiliar. Ao final dos dois bootcamps e do PA, você
receberá seu título de pós-graduação e terá ainda mais habilidades técnicas para
alavancar sua carreira. Além disso, realizando o upgrade na sua formação com o
bootcamp de Inteligência Artificial após concluir o PA, você receberá uma segunda
certificação de pós-graduação, ambas com chancela do MEC.

Carga horária do Projeto Aplicado: 148 horas

13
Bootcamp Cientista
de Dados AI Expert_
Objetivo

O objetivo principal deste bootcamp é fornecer aos(às) alunos(as) uma

compreensão sólida dos conceitos fundamentais e das aplicações práticas da
Inteligência Artificial (IA) em diversos campos, sobretudo e principalmente na
Ciência de Dados. Os(as) participantes aprenderão sobre os princípios da IA,
machine learning, deep learning, ética e impacto social da IA, além de adquirir
habilidades práticas na identificação de oportunidades de IA, planejamento e
implementação de soluções de IA, com grande foco na utilização de IA Generativa
na Ciência de Dados. Este curso visa também capacitar os(as) alunos(as) a liderarem
e contribuírem para iniciativas de IA dentro de suas organizações, com um enfoque
particular nas especificidades das subáreas de sua pós-graduação.

14
 Pré-requisitos

Os pré-requisitos para o curso incluem uma compreensão básica de

programação e estatística, além das competências fundamentais de um(a)
cientista de dados. Embora a experiência prévia com Python seja altamente
recomendada, o curso também é adequado para aqueles(as) com experiência
limitada em programação, desde que estejam dispostos(as) a aprender.
Sendo assim, essa forte motivação para aprender e a capacidade de
trabalhar de forma independente e em equipe são fundamentais.

15
 Competências desenvolvidas no Bootcamp

• Análise e Implementação de Soluções de IA: utilizar conhecimentos

de IA para analisar problemas, propor e implementar soluções eficazes;

• Liderança e Estratégia de IA: conduzir e contribuir para a estratégia de

IA dentro de organizações, com capacidade para tomar decisões
embasadas sobre o desenvolvimento e integração de soluções de IA;

• Comunicação e Ética: comunicar de forma eficaz os resultados e

implicações dos projetos de IA, considerando sempre as questões éticas
e sociais relacionadas;

• Adaptabilidade e Aprendizado Contínuo: adaptar-se a novas tecnologias

e tendências em IA, promovendo a inovação e a transformação digital em
suas áreas de especialização;

• Inovação e Otimização: utilizar IA Generativa para inovar em soluções

de Ciência de Dados ou otimizar processos e tarefas desta área.

16
 Perfil formado pelo curso

Ao completar o bootcamp, o(a) aluno(a) estará preparado(a) para atuar em

funções que requerem conhecimento em inteligência artificial, adaptando-se
às necessidades específicas de sua área de especialização. O(a) egresso(a)
será capaz de:

• Entender os conceitos básicos, histórico, e diferenças entre IA, machine

learning e deep learning

• Identificar oportunidades de uso da IA em diversas áreas e implementar

soluções básicas de IA

• Utilizar ferramentas e linguagens de programação específicas para

desenvolver e implementar projetos de IA

• Entender e discutir as implicações éticas, sociais e econômicas da

implementação da IA, além de considerar aspectos de viés e privacidade
de dados

17
• Desenvolver habilidades para liderar iniciativas de IA, incluindo a tomada
de decisões estratégicas sobre quando construir, comprar ou terceirizar
soluções de IA

• Utilizar IA Generativa em soluções, processos e/ou atividades

da Ciência de Dados

• Identificar e utilizar serviços de IA em nuvem

18
Módulos_
Fundamentos da Inteligência Artificial

Este módulo tem como objetivo específico fornecer uma base sólida e abrangente sobre
os princípios básicos da Inteligência Artificial (IA), suas aplicações e implicações éticas.
Visa também equipar os(as) alunos(as) com o conhecimento necessário para compreender
e aplicar conceitos de IA em suas áreas de atuação. Ao final deste módulo, os alunos terão
uma compreensão robusta dos fundamentos da IA, equipados com o conhecimento
necessário para avançar para módulos mais específicos e aplicados do bootcamp.

Tópicos de conteúdo:
• Introdução à Inteligência Artificial:
◦ Definição de IA e sua evolução histórica;
◦ Diferenças entre IA, aprendizado de máquina (Machine Learning - ML)
e aprendizado profundo (Deep Learning - DL);
◦ Visão geral dos tipos de IA: IA fraca vs. IA forte.

19
 • Conceitos Fundamentais de IA:
◦ Algoritmos de aprendizado de máquina: supervisionado,
não supervisionado e por reforço;
◦ Modelos discriminativos vs generativos;
◦ Redes neurais e estruturas básicas de dados para IA;
◦ Ferramentas e linguagens de programação para IA: Python,
TensorFlow, PyTorch.
• Aplicações e Casos de Uso da IA:
◦ Exemplos práticos de IA no dia a dia;
◦ IA nas indústrias: saúde, finanças, educação e mais;
◦ Benefícios e limitações da IA.
• Ética e IA:
◦ Discussão sobre viés e justiça em sistemas de IA;
◦ Privacidade de dados e segurança na era da IA;
◦ Regulamentações e políticas de IA.

20
Diretrizes para o Trabalho Prático:
O trabalho prático deste módulo visa introduzir os(as) alunos(as) à manipulação básica e
análise de dados, fundamentais para projetos de inteligência artificial. Os(as) alunos(as)
utilizarão as bibliotecas pandas, matplotlib e seaborn em Python para realizar tarefas de
limpeza, filtragem e visualização de dados.

• Seleção e Limpeza de Dados:

Escolha um conjunto de dados relevante para uma indústria de interesse (saúde,
finanças, educação etc). Realize uma limpeza de dados preliminar, incluindo tratamento
de valores faltantes, remoção de duplicatas e correção de formatos de dados.

• Filtragem e Agrupamento de Dados:

Aplique filtros para selecionar segmentos específicos de dados que sejam de particular
interesse para sua análise. Utilize técnicas de agrupamento para organizar os dados em
categorias lógicas e realizar agregações simples (média, mediana, contagem etc).

• Visualização de Dados:
Crie visualizações de dados utilizando matplotlib e seaborn para explorar os dados de
maneiras que revelam padrões, tendências e anomalias. Gere pelo menos três tipos de
gráficos (histogramas, gráficos de dispersão, gráficos de barras) para representar
diferentes aspectos dos dados.

21
Diretrizes para o Desafio:
Usar as ideias do Trabalho Prático, mas com a utilização de todo o conteúdo estudado,
abordando itens como:

• Desenvolver uma proposta de solução de IA para o problema selecionado:

◦ O tipo de IA recomendado (por exemplo, aprendizado de máquina,
processamento de linguagem natural, visão computacional) e por quê.
◦ Os dados necessários para treinar o modelo de IA e como eles seriam coletados
ou acessados.
◦ Uma visão geral do processo de desenvolvimento e implementação da solução.

• Considerações Éticas:
◦ Discutir as implicações éticas relacionadas à proposta de solução de IA, incluindo
questões de viés, privacidade e impacto social.
◦ Propor medidas para mitigar potenciais efeitos negativos e garantir que a solução
seja desenvolvida e implementada de forma ética e responsável.

22
 Implementando e Trabalhando com IA

Este módulo tem como objetivo capacitar os participantes a identificar, avaliar,

planejar e implementar soluções de IA de forma estratégica e eficaz, com foco na
transformação digital e na criação de valor para as organizações. Este módulo é
essencial para profissionais que desejam se destacar no mundo em constante
transformação da IA. Ao dominar as habilidades e conhecimentos aqui abordados,
os participantes estarão preparados para liderar e impulsionar a transformação
digital de suas organizações através da IA.

Tópicos de conteúdo:
• Identificando Oportunidades de IA:
◦ Como identificar problemas solucionáveis com IA;
◦ Avaliação de prontidão para IA nas organizações (maturidade analítica
das organizações);
◦ Estudos de caso de transformação digital com IA.
• Planejamento e Implementação de Soluções de IA:
◦ Etapas para desenvolver e implementar projetos de IA;

23
 ◦ Coleta e tratamento de dados para aprendizado de máquina;
◦ Monitoramento e avaliação de modelos de IA;
• Estratégias de Aprendizado e Melhoria Contínua:
◦ Importância dos dados e da qualidade dos dados para IA;
◦ Técnicas de aprimoramento de modelos: ajuste fino, transferência
de aprendizagem;
◦ Implementando ciclos de feedback e aprendizado contínuo.
• Liderança e Competências Organizacionais em IA:
◦ Desenvolvimento de competências de IA dentro das organizações;
◦ Decisões estratégicas: construir internamente, comprar ou terceirizar
soluções de IA;
◦ Criando uma cultura orientada por dados e IA.

24
Diretrizes para o Trabalho Prático:
• Identificação de Oportunidades de IA em um Setor Específico:
◦ Escolher um setor de interesse (por exemplo, saúde, finanças, educação)
e identificar problemas específicos que podem ser solucionados com IA.
◦ Realizar uma avaliação de prontidão para IA, identificando recursos
disponíveis, possíveis desafios e o impacto esperado da solução de IA.

• Planejamento de uma Solução de IA:

◦ Desenvolver um plano para implementar uma solução de IA que aborde o
problema identificado, incluindo a coleta e tratamento de dados, escolha de
de algoritmos de aprendizado de máquina e estratégias para monitoramento
e avaliação do modelo.

25
Diretrizes para o Desafio:
• Apresentação dos Resultados:
◦ Criar visualizações de dados eficazes, por exemplo, utilizando o problema definido
no trabalho prático, para comunicar os resultados do modelo de IA, utilizando as
bibliotecas matplotlib e seaborn.
◦ Formular e responder perguntas interessantes com base na análise de dados,
demonstrando uma compreensão crítica dos resultados e de como eles podem
ser aplicados para solucionar o problema escolhido.

• Reflexão e Estratégias de Melhoria:

◦ Refletir sobre o processo de desenvolvimento do modelo, incluindo desafios
enfrentados e lições aprendidas.
◦ Propor estratégias de melhoria contínua, considerando como o projeto poderia
ser expandido ou aprimorado com o uso de técnicas avançadas de IA ou coleta de
dados adicionais.

26
Recomendações para aprofundamento do conteúdo:
• Blogs e sites de Ciência de Dados, como Towards Data Science, KDnuggets
e Data Science Central;

• Tutoriais e documentação para bibliotecas Python, como pandas,

matplotlib e seaborn;

• Competições de Ciência de Dados, como as oferecidas pela Kaggle.

27
 Avanços em IA Generativa e suas Aplicações para Ciência de Dados

Este módulo visa aprofundar o conhecimento dos alunos em IA generativa,

explorando técnicas avançadas e suas aplicações em diversas áreas.
Os participantes irão aprender sobre os mais recentes desenvolvimentos em
modelos generativos, como GANs (Generative Adversarial Networks), VAEs
(Variational Autoencoders), e modelos de atenção, como os Transformers,
aplicando-os em tarefas do cotidiano de um(a) Cientista de Dados.

Tópicos de conteúdo:
• O que é IA Generativa
• Aplicabilidade da IA Generativa na área de dados
• OpenAI’s GPT-4
• IA Generativa na elaboração de Projetos Arquiteturais de Soluções de
Engenharia de Dados
• Amostras de Dados com IA Generativa (Data Augmentation):
◦ Modelos de difusão;
◦ Rede Adversária Generativa (Generative Adversarial Networks - GANs);
◦ Codificadores automáticos variacionais (Variational Autoencoders - VAEs).

28
• IA Generativa para Data Lake
• IA Generativa para pipelines de dados:
◦ Limpeza e Enriquecimento de Dados usando IA;
◦ Padronização e Deduplicação de Dados (Data Deduplication) com IA;
◦ Anonimização de Dados com IA;
◦ Detecção de anomalias nos dados utilizando IA;
◦ Automação de Tarefas de Processamento de Dados com IA.
• IA para governança, segurança, privacidade e conformidade de dados
• IA Generativa na visualização de dados e construção de dashboards

Diretrizes para o Trabalho Prático:

Usar IA Generativa para geração de datasets e amostras de dados.

Diretrizes para o Desafio:

Usar IA Generativa em pipeline de dados.

29
 MLOps e IA como Serviço

Este módulo tem como objetivo capacitar os alunos(as) a levar modelos de Machine
Learning e IA do estágio de desenvolvimento para a produção, focando em técnicas
de MLOps, monitoramento de modelos e criação de aplicações baseadas em IA que
podem ser escaladas e mantidas em ambientes de produção reais.

Tópicos de conteúdo:
• Fundamentos de MLOps:
◦ Princípios básicos e importância do MLOps para a Ciência de Dados.
• Serviços de IA na Nuvem:
◦ Visão geral das plataformas AWS SageMaker, Google AI Platform e
Azure Machine Learning.
• Monitoramento e Manutenção de Modelos:
◦ Estratégias para monitorar e atualizar modelos de IA em produção.
• Desenvolvimento de Aplicações de IA:
◦ Criação de aplicações web e móveis integrando modelos de IA.
• Segurança e Ética em Modelos de IA em Produção:
◦ Considerações sobre segurança, ética e privacidade.

30
• Automação e CI/CD para Modelos de IA:
◦ Implementação de pipelines de integração e entrega contínua para
modelos de IA.
• Gestão de Dados e Modelos de IA em Produção:
◦ Estratégias para o gerenciamento eficaz de dados e modelos em
ambientes de produção;
◦ Implementação de ciclos de feedback para a melhoria contínua de
modelos de IA.

Diretrizes para o Trabalho Prático:

• Deploy de um Modelo de IA na Cloud:
◦ Os alunos vão selecionar um modelo de IA desenvolvido anteriormente
e o colocarão em produção usando uma plataforma de cloud à escolha,
implementando práticas de MLOps.

31
 Diretrizes para o Desafio:
• Criação de uma Aplicação de IA:
◦ Desenvolver uma aplicação web ou móvel que utiliza um modelo de IA
em backend, demonstrando como modelos de IA podem ser integrados
em produtos digitais.

Sugestões para o Desafio Final:

Solução de Ciência de Dados com IA Generativa, serviços de IA em nuvem,
aplicando técnicas e estratégias de geração, análise e deploy de modelos.

Carga horária do Bootcamp: 148 horas

Carga horária total: 592 horas

32
Dúvidas sobre o curso, ementa,
professores e mais?_

Fale com o nosso time de consultoria educacional!

Atendimento de segunda a sexta, das 9h as 21h.

Fale com nossas consultoras agora mesmo

Aprenda com quem faz
www.xpeducacao.com.br