MBA em Inteligência Artificial e Analytics Aplicadas a Negócios
Aplicações em Finanças, Controladoria e Compliance
Métricas de avaliação do desempenho em gestão financeira, controladoria e compliance. Modelos de otimização aplicados em gestão financeira, controladoria e compliance. Aplicações de CD em gestão financeira, controladoria e compliance.
Aplicações em GeoAnalytics
Bibliotecas, ferramentas e extensões recomendadas para projetos analíticos baseados em estatística espacial. Elementos típicos de análises com base nos predicados espaciais.
Aplicações em Gestão de Operações e Cadeias de Suprimento
Métricas de avaliação do desempenho na gestão de operações e processos logísticos. Modelos de otimização aplicados na gestão de operações e processos logísticos. Aplicações de CD na gestão de operações e cadeias de suprimentos.
Aplicações em Marketing, Vendas e Customer Experience
Métricas de gestão de desempenho mercadológico. Fundamentos e desenvolvimento de matrizes de associação e outros mecanismos de recomendação. Aplicações de CD no contexto mercadológico.
Big Data Analytics
Overview das ferramentas para o gerenciamento de dados distribuídos. Organização e manuseio de dados em bases distribuídas. Apache e outras ferramentas. Miniprojeto: construção e avaliação de data lake.
Conceitos e Técnicas de Social Network Analysis (SNA)
Relacionamento entre usuários, seguidores e comunidades: páginas, posts e interações. Pipelines de dados baseados nas mídias sociais. Modelagem de redes. Análise de conteúdo não estruturado – textos em linguagem natural.
Engenharia de Dados
Conceitos de engenharia de dados. Organização e manuseio de bases relacionais. Exploração e visualização de dados estruturados. Arquiteturas analíticas modernas.
IA Generativa para Negócios
Sistemas de classificação e reconhecimento de entidades nomeadas – Named Entity Recognition (NER). Arquitetura de um transformer. Ajuste fino de transformers pré-treinados para NLP. Introdução aos sistemas generativos de imagem.
Inteligência Espacial – Amplificando os Modelos Preditivos
Estrutura e fontes dos dados espaciais. Associação geoespacial baseada em predicados espaciais. Análises de vizinhança, densidade e tendências. Autocorrelação espacial, modelos de previsão e regressão espacial.
Métodos e Ferramentas de Data Science
Objetivos das aplicações de CD nas organizações. Classes de problemas e principais técnicas empregadas em CD. Introdução ao uso da linguagem Python em CD. Análise exploratória de dados.
MLOps – Incorporando Soluções aos Processos de Negócio
Conceitos DevOps e MLOps. Especificação de sistemas inteligentes. Governança e controle da qualidade de sistemas inteligentes.
Modelagem Preditiva
Ciclo de execução de projetos analíticos. Feature engineering. Construção e teste dos modelos. Avaliação e consolidação de modelos.
Processamento de Linguagem Natural
Introdução à mineração de texto. Métodos de classificação de texto. Representações avançadas de texto. Sistemas sequência: sequência.
Projeto Aplicado I – Modelagem do Problema e Desenho da Solução
Revisão dos requisitos e etapas de desenvolvimento de projetos baseados em CD e IA. Definição da pergunta de negócio e do desafio/situação problema a ser analisado/resolvido. Definição da base de dados a ser utilizada. Definição das ferramentas e técnicas analíticas a serem aplicadas no projeto.
Projeto Aplicado II – Análise da Solução e Impactos Gerenciais
Reexame do plano de projeto gerado na disciplina “Projeto Aplicado I – Modelagem do Problema e Desenho da Solução”. Elaboração de estudo analítico ou Minimum Viable Product (MVP), quando aplicável. Apresentação de relatório gerencial de projeto. Exame das barreiras de implementação e riscos.
Redes Neurais Aplicadas a Negócios
Fundamentos das redes neurais artificiais. Arquitetura básica, camadas e funções de ativação. Aplicação prática e miniprojeto. Calibragem e avaliação pós-modelo.
Técnicas Não Supervisionadas de Machine Learning
Fundamentos da modelagem não supervisionada. Conceitos e técnicas para o manuseio de matrizes de dados. Análise de componentes principais. Agrupamento e formação de clusters. Avaliação dos clusters gerados em função da sua aplicabilidade ao problema analisado. Tratamento de variáveis em formatos qualitativos.
Técnicas Supervisionadas de Machine Learning
Fundamentos dos modelos analíticos. Modelos de regressão. Modelos de regressão com variáveis qualitativas. Modelos de classificação: regressão logística.
