O curso é ministrado em 12 disciplinas, envolvendo áreas de exatas e humanidades.

Todas as disciplinas tem carga horária de 30 horas, das quais 6 horas são oferecidas em formato EaD e 24 horas são ministradas às Quartas-feiras e às Sextas-feiras.

Serão, ao todo, 36 encontros síncronos em plataforma MS-Teams às Quartas-feiras e 36 encontros presenciais às Sextas-feiras, distribuídos nos primeiros quinze meses do curso.

Os cinco meses seguintes são dedicados ao desenvolvimento do Trabalho de Conclusão do Curso.

01. Estatística Geral e Modelos Estatísticos

Distribuição de Frequência, histogramas, medidas de Posição e dispersão. Valor esperado. Variância e desvio-padrão. Covariância. Experimentos aleatórios e espaços amostrais. Fundamentos da probabilidade. Probabilidade condicional. Teorema da probabilidade total. Teorema de Bayes. Independência. Variáveis Aleatórias Unidimensionais. Esperança Matemática. Distribuições Discretas e Contínuas. Intervalos de Confiança e Testes de Hipóteses.

02. Ética em Inteligência Artificial

O objetivo da disciplina é fornecer aos alunos e alunas uma visão estrutural dos conceitos básicos da reflexão ética em torno da inteligência artificial. A ética é um saber que foi sendo construído ao longo de mais de vinte séculos pelo pensamento ocidental e incide sobre todas as áreas do conhecimento, na medida em que estabelece critérios para a dissociação entre o campo do desejo individual e do dever coletivo. Os tópicos iniciais serão exclusivos da ética para que, em momento posterior, possamos adequá-los à temática da inteligência artificial.

03. Python para Ciência de Dados

Carga de dados. Limpeza e preparação de dados. Tratamento e agregação de dados. Visualização.

04. Projetos

Metodologia gerenciamento de projetos;  ciclo de vida de gerenciamento de projetos; Gerência de projetos segundo o PMI-PMBOK; Ferramentas de planejamento e  acompanhamento de projetos. Processos de gestão do tempo.

05. Metodologia Científica e Produção de Texto

Tipos de conhecimento e conhecimento científico. Ciência, pesquisa e sociedade. Etapas de desenvolvimento de pesquisa. Elaboração de projetos de pesquisa. Divulgação científica em diferentes níveis. Normalização de trabalhos. Bases de dados e gerenciadores de referências. Seminário de projetos.

06. Programação Genética

Representação e estruturação de programação genética. Exemplos de programação genética. Algoritmos genéticos. Operadores e técnicas em busca genética. Aprendizado de máquina baseado em genética. Estratégias de evolução. Programação genética probabilística. Programação genética multi-objetivo. Programação genética distribuída.

07. Aprendizado de Máquina

Introdução ao aprendizado de máquina. Análise de dados. Métodos baseados em distância e vizinhos mais próximos. Árvores de decisão e regressão. Máquinas de vetor de suporte. Redes de aprendizado profundo. Redes convolucionais. Regularização. Modelos múltiplos. Modelos descritivos. Algoritmos de agrupamento.

08. Redes Neurais e Aprendizado Profundo

Redes neurais de múltiplas camadas. Algoritmo de retropropagação de erro. Algoritmos de otimização e regularização. Redes neurais convolucionais (CNN): histórico, arquiteturas e aplicações. Redes neurais recorrentes (RNN). Autoencoders.

09. Sociedade e Algoritmos

Na contemporaneidade, as sociedades humanas são decisivamente influenciadas pelos crescentes avanços tecnológicos de setores como IA, Machine Learning(ML), Deep Learning(DL), Big Datas e Algoritmos. Eles rapidamente se disseminam sobre quadros de entendimento, compreensão, imaginação e ação de governos, empresas, comunidades e indivíduos. Apesar da capacidade de influir na vida política, social, econômica e cultural de sujeitos e coletivos, tais artefatos tecnológicos e seus benefícios estão quase exclusivamente sob a influência do capital e do poder de poucos atores (corporações e alguns estados), e  cada vez menos subordinados a qualquer lógica pública de comunidades políticas estatais específicas. Um exemplo são as grandes corporações capitalistas denominadas de Big techs (Amazon, Google, Facebook/Meta, YouTube, Spotify, Netflix etc.). Vive-se um tempo de conflitos e ajustes entre necessidades e interesses de estados nacionais, comunidades, indivíduos e corporações privadas, bem como sobre o papel que a ciência e a tecnologia devem desempenhar tanto na utilidade pública quanto na utilidade privada.  Assim, pretende-se promover uma reflexão sobre como os dilemas atuais entre sociedade, tecnologia, ciência da informação e corporação capitalista podem ser entendidos com auxílio das ciências humanas e sociais através dos seguinte tópicos: 1) Imaginando uma nova sociedade: a grande transformação da sociedade com mercado em sociedade de mercado(XIX); 2) Virtuosismo tecnológico: ciência, tecnologia e engenharia norte americana na consolidação da corporação racional e eficiente capitalista (1850-1950); 3) Transcendência tecnológica (1940-1990): revolução da tecnologia da informação, corporações e governança, Estados ineficientes e demandas sociais (cidadania, direitos e ambientalismo); 4) Algoritmo, Big Data e IA(1990-2020): quem regula e molda o artefato tecnológico na era da sociedade informacional, das big techs oligopolistas e das democracias sob ataque?; 5) Novos dilemas e agendas de ação social: governança algorítmica, transparência, bem comum e engajamento social, político e ambiental.

10. Análise e Previsão de Séries Temporais

Conceitos iniciais. Estacionariedade. Autocorrelação. Métodos de decomposição e amortecimento. Modelos de previsão de séries temporais.

11. Visão Computacional

Introdução à Visão Computacional. Ambiente de estudo. Processamento de imagens. Extração e seleção de características. Reconhecimento de padrões. Aplicações.

12. Recuperação da Informação

Introdução e história da Recuperação da Informação (RI). Módulos de sistemas de RI: coletor, indexador e motor de busca. Arquitetura e política de coletores automáticos na Web e pré-processamento de dados coletados. Propriedades de documentos e compressão. Indexação e índices invertidos. Modelagem e processamento de consultas. Web Based Models (PageRank e HITS). Avaliação de sistemas de RI. Métricas de avaliação: precisão, revocação e F1. Eficácia e eficiência em consultas.