Ministério da Educação
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
DIRETORIA-GERAL - CAMPUS PONTA GROSSA
DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO - CAMPUS PONTA GROSSA
116º da Criação, 20º da Transformação.
 |
|
|
Ministério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DIRETORIA-GERAL - CAMPUS PONTA GROSSA DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO - CAMPUS PONTA GROSSA
116º da Criação, 20º da Transformação. |
|
|||
|
|||||
EDITAL Nº 50/2025 DIRPPG
Diretoria de Pesquisa e Pós-Graduação - Campus Ponta Grossa
CURSO DE ESPECIALIZAÇÃO EM INTELIGÊNCIA ARTIFICIAL APLICADA PARA GESTÂO DA INOVAÇÃO TECNOLÓGICA – MI&T-IAA
Pelo presente, fazemos saber aos interessados que se acham abertas as inscrições para o CURSO DE ESPECIALIZAÇÃO EM INTELIGÊNCIA ARTIFICIAL APLICADA PARA GESTÂO DA INOVAÇÃO TECNOLÓGICA – MI&T-IAA, nível Lato Sensu, cujo funcionamento foi aprovado pelo Conselho de Pesquisa e Pós-Graduação da UTFPR - COPPG, conforme Resolução Nº 239/2025, de acordo com o Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR, aprovado pela Resolução COUNI/UTFPR Nº 97, de 10 de fevereiro de 2023, e em concordância com a Resolução 01/2018 CNE/CES, obedecendo as seguintes condições:
I - FINALIDADE DO CURSO
Capacitar profissionais para conceber, desenvolver, implementar e gerenciar soluções baseadas em Inteligência Artificial, combinando sólida base técnica, competências gerenciais e visão estratégica. O curso busca: Desenvolver habilidades práticas em machine learning, deep learning, NLP, IA generativa, visão computacional e robótica. Capacitar para o uso de plataformas e frameworks de IA e para a implementação de soluções em ambientes de produção. Integrar conhecimentos de tecnologia e negócios, promovendo o uso da IA como ferramenta de inovação, otimização de processos e aumento de competitividade. Estimular a capacidade crítica, ética e de liderança, formando profissionais aptos a gerir projetos complexos de IA.
Área de Conhecimento: Sistemas de Computação (1.03.04.00-2).
II - MODALIDADE DO CURSO
O curso é EAD, com carga horária total de 475 horas, sendo:
- 475 horas (100%) online, síncronas, ministradas por meio de Ambiente Virtual de Ensino e Aprendizagem (AVEA), Moodle Institucional da UTFPR ou de serviço de conferência web.
III - DURAÇÃO, TURNO E HORÁRIO DE FUNCIONAMENTO DO CURSO
1. A carga horária total do curso é de 475 horas, sendo que as aulas online são ministradas às Terças e Quintas, 18h30–21h30, Sexta da última semana, 19h00–21h00 e eventualmente aos Sábados quando necessário. O calendário poderá ser ajustado em funções de feriados e demandas específicas.
IV - VAGAS
1. O curso oferece 85 vagas para concorrência pública.
2. A turma será aberta se houver no mínimo 76 candidatos selecionados com matrícula confirmada.
3. Obs. o mínimo corresponde a 90% do número de vagas ofertadas.
4. A quantidade de vagas para concorrência pública pode ser majorada em até 35%, respeitando os critérios de seleção e classificação.
5. Sobre o número total de alunos matriculados a UTFPR se reserva o direito de acrescer vagas adicionais (10%) visando a capacitação de servidores, conforme política institucional da UTFPR.
6. As vagas remanescentes não utilizadas para a capacitação de servidores poderão utilizadas para egressos dos cursos da UTFPR, atendendo as disposições de seleção do presente Edital.
V - DATAS PARA INSCRIÇÃO, CLASSIFICAÇÃO, MATRÍCULA E DA INTERPOSIÇÃO DE RECURSO
1. O cronograma de inscrição e matrícula segue as datas dispostas abaixo:
|
Período de Inscrição |
22/12/2025 à 10/02/2026 |
|
Resultado da classificação |
12/02/2026 |
|
Interposição de Recurso |
13/02/2026 |
|
Período de Matrícula |
17/02/2026 à 20/02/2026 |
|
Segunda chamada para matrícula |
24/02/2026 |
2. À UTFPR se reserva ao direito de promover prorrogações e ajustes nos períodos acima, comunicando as alterações no site de divulgação da oferta do curso e inscrições.
3. O presente Edital tem prazo de validade de 6 (seis) meses a partir da data da sua publicação, prazo máximo possível de eventuais prorrogações e ajustes na oferta da turma do curso.
VI - CONDIÇÕES PARA INSCRIÇÃO
1. Os interessados em participar do processo de classificação deverão:
a) Efetuar a inscrição no Portal Cursos e Eventos (https://funtefpr.conveniar.com.br/Eventos/).
b) A Inscrição é isenta de valor.
c) Encaminhar através do Portal Cursos e Eventos (https://funtefpr.conveniar.com.br/Eventos/), até o último dia da inscrição a cópia simples dos seguintes documentos:
· Para Brasileiros, documento de identidade e Cadastro de Pessoa Física (CPF);
· Para Estrangeiros, passaporte e/ou carteira de registro nacional de migrante (CRNM). Na falta de um dos documentos, cópia do documento de identidade do seu país.
· Diploma de graduação de curso superior contendo a data de colação de grau e legalmente reconhecido pelo Ministério da Educação (se estrangeiro, autenticado na Embaixada ou Representação Consular do Brasil em seu país de origem) ou cópia digital de declaração de conclusão do curso concedido pela respectiva Coordenação de curso da Instituição;
· Histórico escolar do curso de graduação;
· Curriculum Vitae;
· Comprovante de Residência (com data máxima de três meses após emissão/vencimento);
· Certidão de Nascimento ou Casamento.
2. O candidato, ao se inscrever, aceita as condições constantes no presente edital, delas não podendo alegar desconhecimento.
3. O candidato deve armazenar o número do protocolo e código de acesso, gerados no momento da inscrição no Portal Cursos e Eventos. Essas informações serão necessárias para acompanhar os processos de inscrição e classificação.
VII - CRONOGRAMA DE EXECUÇÃO DO CURSO
|
Inicio das atividades letivas |
05/03/2026 |
|
Recesso das atividades letivas |
13/07/2026 a 22/07/2026 18/12/2026 a 03/02/2027 05/07/2027 a 15/07/2027 |
|
Reinício das atividades letivas |
23/07/2026 04/02/2027 16/07/2027 |
|
Término das atividades letivas |
02/10/2027 |
|
Seminário (quando aplicável) |
20/06/2027 a 30/06/2027 |
VIII - CRITÉRIOS PARA CLASSIFICAÇÃO
1. Os candidatos serão classificados por uma Comissão designada pelo Diretor Geral do Campus Ponta Grossa, conforme Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR;
2. A classificação dos candidatos será feita até o número de vagas existentes na concorrência pública. Os demais comporão lista de espera para o caso de desistências.
3. A Seleção dos Candidatos será feita pelos seguintes critérios:
a. Análise do Curriculum Vitae
b. Histórico Escolar do Curso de Graduação;
4. O resultado da seleção será publicado no site de inscrição, na data indicada no item V.
5. O processo de seleção de servidores visando o programa de capacitação interna da UTFPR será realizada pela Coordenação de Recursos Humanos do campus de origem do servidor.
6. Os critérios de seleção de egressos para as vagas remanescentes para fins de capacitação interna seguirão os seguintes critérios, na seguinte ordem:
a) Maior Rendimento Acadêmico geral dos cursos da UTFPR,
b) Maior Rendimento Acadêmico no curso.
IX - INTERPOSIÇÃO DE RECURSO
1. A interposição de recurso ao resultado da classificação deverá ser feita em até o último prazo previsto no cronograma, direcionado à Diretoria de Pesquisa e Pós-graduação pelo email dirppg-pg@utfpr.edu.br, que se manifestará em até dois dias úteis.
2. Da interposição, além do texto com as justificativas e questionamentos, poderão constar documentos e outros anexos que o candidato ache conveniente para a análise.
X - MATRÍCULA
1. O processo de matrícula compreende entrega ou envio dos seguintes documentos:
· Cópia frente e verso do diploma ou certificado/declaração de conclusão do curso de graduação (*) (**);
· Cópia do histórico escolar do curso de graduação;
· Cópia do documento de identidade com foto;
· Cópia do CPF ou comprovante de inscrição no CPF (impresso a partir da página da Receita Federal com código de controle e data de impressão), somente se o documento de identidade não contiver o número do CPF;
· Cópia da certidão de nascimento ou casamento, somente se o documento de identidade não contiver o local de nascimento (naturalidade) ou se o nome no documento de identidade está diferente do nome que consta na certidão;
· Cópia do passaporte (candidatos estrangeiros);
· Cópia do visto de permanência no país (candidatos estrangeiros em cursos presenciais);
· Cópia da Carteira de Registro Nacional de Migrante (CRNM) ou protocolo de registro de visto (***) (candidatos estrangeiros em cursos presenciais).
. Cópia do Anexo C - Termo de Responsabilidade (para candidatos graduados em áreas distintas de Engenharia ou Arquitetura).
2. Para validação dos documentos para matrícula o candidato terá duas opções:
a) A apresentação física dos documentos para a secretaria de curso, cabendo à secretaria, mediante a comparação entre o original e a cópia, atestar a autenticidade, conforme a Lei nº 13.726, de 2018;
b) A autenticação dos documentos feita por registro de autenticidade digital dos documentos, por meio de Autoridade Certificadora (cartório digital, receita federal, assinatura-gov.br,...), com custas assumidas pelo candidato, pelos meios oficiais reconhecidos pela legislação brasileira.
(*) O certificado ou declaração de conclusão será aceito apenas para matrícula; para receber o Certificado da Especialização, além de cumprir os requisitos acadêmicos do curso, o estudante deverá obrigatoriamente enviar cópia autenticada do Diploma de Graduação conforme especificado no edital;
(**) Os diplomas de graduações adquiridos no exterior, deve estar autenticado na Embaixada ou Representação Consular do Brasil em seu país de origem.
(***) Ao chegar ao país, existe o prazo de 30 dias, contados da data da entrada, para que o estrangeiro se apresente à Polícia Federal para solicitar o RNE. A cédula, entretanto, não fica pronta imediatamente. O estrangeiro receberá um protocolo. Este protocolo já possui o número do RNE. que é o que é preciso para proceder à matrícula. O estudante poderá agendar o atendimento na Polícia Federal pela Internet, mesmo antes de entrar no país.
3. Os candidatos selecionados deverão efetuar o pagamento da taxa de matrícula até o último dia previsto no item V - DATAS PARA INSCRIÇÃO, CLASSIFICAÇÃO E MATRÍCULA - Período de Matrícula
a. Os candidatos que não fizerem a matrícula até a data limite perderão suas vagas, sendo as mesmas preenchidas na segunda chamada, a partir da lista de espera.
b. Havendo disponibilidade de vagas remanescentes, haverá abertura de segunda chamada que será realizada de acordo com o item V - DATAS PARA INSCRIÇÃO, CLASSIFICAÇÃO E MATRÍCULA, devendo o valor de matrícula ser pago até o último dia da segunda chamada.
XI – CONVÊNIO UTFPR E FUNDAÇÃO DE APOIO (FUNTEF-PR)
1. A Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e Tecnológico da Universidade Tecnológica Federal do Paraná (FUNTEF-PR) atuará como apoio à UTFPR na gestão financeira do presente curso, sendo a responsável pela inscrição inicial e captação das mensalidades, e esta parceria entre a UTFPR e FUNTEF-PR é regulada pelo Convênio que está em fase de elaboração.
2. Processos relacionados com cobrança, emissão de novos boletos, ajustes contratuais e outras dúvidas e situações relacionadas com a gestão financeira do curso poderão ser tratadas pelo aluno/candidato diretamente com a Fundação em seu Portal de Serviços FUNTEF-PR.
XII - CONDIÇÕES DE PAGAMENTO
1. O candidato, no ato da inscrição fará a opção de uma das seguintes condições de pagamento da matrícula e mensalidades:
a) Valor do Curso à vista: Matrícula no valor de R$ 495,00 e parcela única no valor de R$ 9.405,00, totalizando R$ 9.900,00, com vencimento no último dia do período de matrícula.
b) Valor do curso parcelado:
Opção 1: Matrícula no valor de R$ 495,00, com vencimento em 13/02/2026, mais 15 parcelas de R$ 627,00 com vencimentos nos dias 10 de cada mês subsequentes à matrícula;
Opção 2: Matrícula no valor de R$ 495,00, com vencimento em 13/02/2026, mais 19 parcelas de R$ 495,00 com vencimentos nos dias 10 de cada mês subsequentes à matrícula;
2. Não haverá a devolução da taxa de inscrição dos candidatos desistentes ou não classificados, caso o curso tiver sua abertura confirmada.
3. A devolução da taxa de matrícula, no caso de desistência, se fará no montante de 80% de seu valor, desde que solicitada antes do início das aulas do curso.
Atenção: Para fins de formalização dos serviços prestados durante o curso, o aluno deverá realizar o aceite eletrônico na etapa de inscrição no Portal Cursos e Eventos.
XIII - CERTIFICADO DE CONCLUSÃO
Ao estudante que cumprir com todos os requisitos previstos no Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR vigente, fará jus ao respectivo Certificado de Especialista, acompanhado de seu Histórico Escolar.
XIV – INFORMAÇÕES GERAIS
1.Eventuais questões do presente edital poderão ser dirimidas, em caso de discordância, no foro da Justiça Federal para dirimir eventuais questões decorrentes do edital, não solucionadas administrativamente.
2. O presente edital será publicado por meio de boletim eletrônico disponível na Página de Consulta Publicações Eletrônicas.
3. Informações adicionais e eventuais dúvidas sobre o curso poderão ser atendidas pelo telefone (42) 3220-4864, ou pelo e-mail da coordenação/ secretaria de curso mit-iaa-pg@utfpr.edu.br.
4. O presente edital também será publicado em meio eletrônico no site da FUNTEF para o processo de inscrição e submissão de documentos por meio do Portal Cursos e Eventos.
5. Casos omissos a este edital serão resolvidos pela Diretoria de Pesquisa e Pós-graduação e/ou sua Assessoria de Pós-graduação Lato Sensu.
Ponta Grossa, 18 de dezembro de 2025.
Abel Dionizio Azeredo
Diretor Geral - Campus Ponta Grossa
|
|
Romeu Miquéias Szmoski
Diretor de Pesquisa e Pós- Graduação - Campus Ponta Grossa
Relação de links desse edital:
Diretoria de Pesquisa e Pós-Graduação-Câmpus Ponta Grossa (DIRPPG-PG): https://www.utfpr.edu.br/estrutura/pesquisa-e-pos-graduacao/dirppg/ponta-grossa
Pós-Graduação Lato Sensu-Especializações: https://www.utfpr.edu.br/cursos/especializacao/pg
Inscrição | Postagem de documentos | Consulta seleção: https://funtefpr.conveniar.com.br/Eventos/
Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR: http://portal.utfpr.edu.br/documentos/pesquisa-e-pos-graduacao/proppg/lato-sensu/regulamento_lato_sensu_2018/view
 | Documento assinado eletronicamente por (Document electronically signed by) ROMEU MIQUEIAS SZMOSKI, DIRETOR(A), em (at) 18/12/2025, às 16:02, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020. |
| | Documento assinado eletronicamente por (Document electronically signed by) MAX MAURO DIAS SANTOS, CHEFE DE DEPARTAMENTO ACADÊMICO, em (at) 18/12/2025, às 16:34, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020. |
| | Documento assinado eletronicamente por (Document electronically signed by) ABEL DIONIZIO AZEREDO, DIRETOR(A)-GERAL, em (at) 18/12/2025, às 18:28, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020. |
 | A autenticidade deste documento pode ser conferida no site (The authenticity of this document can be checked on the website) https://sei.utfpr.edu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador (informing the verification code) 5445545 e o código CRC (and the CRC code) E91B1B3B. |
Módulo 1 – 165 hs
|
Disciplina: Fundamentos de Pesquisa Científica e Tecnológica |
Carga Horária: 15 hs |
|
Objetivo: Desenvolver competências para definir problemas de pesquisa, planejar métodos (quantitativos, qualitativos e mistos), buscar e avaliar literatura, gerir dados com reprodutibilidade e comunicar resultados em padrões acadêmicos (IMRaD, ABNT/IEEE). Ao final, o aluno elabora um miniprotocolo de pesquisa tecnicamente consistente e eticamente responsável.
|
|
|
Programa: 1. Introdução à Pesquisa Científica Ciência, tecnologia e inovação; método científico; epistemologia básica. Tipos de pesquisa (básica/aplicada; exploratória/descritiva/explicativa; experimental; estudo de caso; survey). Formulação de problema, objetivos, hipóteses e questões de pesquisa; critérios de relevância e originalidade. 2. Busca e Revisão da Literatura Estratégias de busca (operadores booleanos, strings, snowballing) em IEEE Xplore, Scopus, Web of Science, PubMed, arXiv. Avaliação crítica de fontes; viés e qualidade da evidência. Gerência de referências (Zotero/Mendeley); ética e plágio. 3. Desenho Metodológico e Plano de Análise Variáveis, amostragem, validade e confiabilidade. Quantitativo: noções de DoE, métricas, poder amostral; Qualitativo: entrevistas, roteiros, análise de conteúdo. Plano de análise: estatística descritiva/inferecial essencial; para computação/engenharias: benchmarking reprodutível e métricas. 4. Gestão de Dados, Ética e Reprodutibilidade DMP (Data Management Plan), princípios FAIR, versionamento (Git/GitHub), caderno de pesquisa e notebooks. LGPD/consentimento, integridade científica, e uso responsável de IA generativa no fluxo de pesquisa. Acesso aberto, preprints e licenças (Creative Commons). 5. Redação e Comunicação Científica Estrutura IMRaD, elaboração de resumo/abstract, figuras/tabelas; normas ABNT/IEEE. Seleção de periódicos/conferências; cover letter e resposta a revisores. Apresentação oral breve (pitch) do miniprotocolo.
|
|
|
Metodologias de Ensino Aprendizagem: Aulas expositivas dialogadas com exemplos de artigos e boas práticas. Oficinas práticas: (i) busca em bases, (ii) uso de Zotero/Mendeley, (iii) organização de repositório Git. Leitura dirigida / journal club com ficha de avaliação crítica. PBL (Problem-Based Learning) para construção incremental do miniprotocolo. Peer review entre colegas com rubricas claras.
|
|
|
Previsão de Trabalhos Discentes: ·Mapa do Problema (1–2 págs.): problema, objetivos, RQs/hipóteses e justificativa. ·Protocolo de Busca: strings, bases, critérios de inclusão/exclusão e 10–15 referências-chave. ·Esboço Metodológico: delineamento, variáveis, instrumentos/métricas e plano de análise. ·Miniprotocolo de Pesquisa (4–6 págs., IMRaD curto) + repositório com DMP e README. ·Pitch (3–5 min) apresentando a proposta.
|
|
|
Forma de Avaliação: ·Portfólio incremental (Itens 1–3): 40% — clareza do problema, coerência metodológica, aderência ética. ·Miniprotocolo + repositório: 40% — qualidade técnica, reprodutibilidade (scripts/organização), referências e normas. ·Pitch: 15% — objetividade, comunicação e defesa perante perguntas. ·Participação (leituras, peer review, pontualidade): 5%.
|
|
|
Bibliografia: 1. MARCONI, M. A.; LAKATOS, E. M. Fundamentos de Metodologia Científica. Atlas. 2. CRESWELL, J. W.; CRESWELL, J. D. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. SAGE. 3. MONTGOMERY, D. C. Design and Analysis of Experiments. Wiley. 4. YIN, R. K. Case Study Research and Applications: Design and Methods. SAGE. 5. BOOTH, W. C.; COLOMB, G. G.; WILLIAMS, J. M. The Craft of Research. University of Chicago Press.
|
|
|
Disciplina: Gestão de Projetos para Inteligência Artificial |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a aplicar metodologias, ferramentas e boas práticas de gestão de projetos especificamente adaptadas para o desenvolvimento e implementação de soluções de Inteligência Artificial. O curso aborda desde a concepção da ideia até a entrega e manutenção, considerando aspectos técnicos, de negócios, éticos e regulatórios, com foco na gestão de equipes multidisciplinares e no uso de abordagens ágeis e híbridas.
|
|
|
Programa: 1. Fundamentos de Gestão de Projetos para IA Diferenças entre projetos de software tradicionais e projetos de IA. Ciclo de vida de projetos de IA: ideação, prova de conceito, desenvolvimento, implantação e manutenção. Papéis e responsabilidades em equipes de IA. 2. Metodologias e Abordagens Gerenciamento preditivo (PMBOK) e ágil (Scrum, Kanban) para projetos de IA. Metodologias híbridas e MLOps para integração contínua de modelos. Gestão de riscos e incertezas em projetos de IA. 3. Planejamento e Escopo em Projetos de IA Levantamento de requisitos e definição de escopo para projetos baseados em dados. Planejamento de recursos: humanos, computacionais e financeiros. Definição de métricas de sucesso (KPIs e métricas de performance de modelos). 4. Gestão de Dados no Contexto de IA Governança de dados e conformidade (LGPD, GDPR). Estratégias de coleta, limpeza e preparação de dados. Controle de versões de datasets e modelos. 5. Execução, Monitoramento e Controle Ferramentas de gestão e acompanhamento (Jira, Trello, Asana). Monitoramento de desempenho de modelos em produção. Planos de contingência e manutenção evolutiva. 6. Aspectos Éticos, Legais e de Sustentabilidade Mitigação de vieses e impactos sociais de sistemas de IA. Segurança e privacidade em modelos preditivos. Sustentabilidade e responsabilidade corporativa. 7. Projeto Integrador Planejamento e simulação da gestão de um projeto completo de IA, desde a concepção até a implantação.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução e discussão de conceitos. ·Estudos de caso reais de projetos de IA bem-sucedidos e malsucedidos. ·Simulações e exercícios práticos com ferramentas de gestão. ·Aprendizagem baseada em projetos (PBL) para aplicação dos conceitos no projeto integrador. ·Discussões técnicas e éticas para decisões de gestão em IA.
|
|
|
Previsão de Trabalhos Discentes: Exercícios de elaboração de escopo e planejamento de projetos de IA. Simulações de gestão de cronograma, recursos e riscos. Projeto final integrador com plano detalhado de gestão de um projeto de IA.
|
|
|
Forma de Avaliação: ·Exercícios e estudos de caso: 40% da nota final. ·Projeto final integrador: 60% da nota final (avaliação do plano, coerência, aplicação das metodologias e apresentação).
|
|
|
Bibliografia: 1. PROJECT MANAGEMENT INSTITUTE. A Guide to the Project Management Body of Knowledge (PMBOK Guide). 7ª ed., PMI, 2021. 2. GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. 3. MARR, Bernard. Artificial Intelligence in Practice. Wiley, 2019. 4. BREWSTER, Christopher. MLOps: Operationalizing Machine Learning. O’Reilly Media, 2022. 5. DOMINGOS, Pedro. The Master Algorithm. Basic Books, 2015.
|
|
|
Disciplina: Linguagens de Programação – Python, C e C++ (CUDA) |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o estudante no uso das linguagens Python, C e C++ com extensão CUDA, desenvolvendo competências para implementar algoritmos eficientes, manipular dados, interagir com hardware e utilizar programação paralela em GPU. Ao final, o aluno será capaz de desenvolver aplicações que explorem tanto a versatilidade de Python quanto o desempenho de C/C++ com aceleração CUDA para problemas de alto desempenho.
|
|
|
Programa: 1. Introdução às linguagens e paradigmas História e aplicações de Python, C e C++. Comparação entre linguagens interpretadas e compiladas. 2. Python Sintaxe básica, estruturas de dados, funções e módulos. Bibliotecas para ciência de dados e IA (NumPy, Pandas, Matplotlib). Programação orientada a objetos e integração com C/C++. 3. C Estruturas básicas, ponteiros, arrays e funções. Manipulação de arquivos e memória dinâmica. Boas práticas e otimização de código. 4. C++ Programação orientada a objetos (classes, herança, polimorfismo). STL (Standard Template Library) e recursos modernos (C++11/14/17). 5. CUDA (Compute Unified Device Architecture) Conceitos de programação paralela em GPU. Arquitetura CUDA e modelo de execução. Implementação e otimização de kernels CUDA. Integração CUDA com C/C++ e Python (via PyCUDA/CuPy). 6. Integração de Tecnologias e Projetos Chamada de código C/C++ a partir de Python (ctypes, pybind11). Mini-projeto integrando Python, C++ e CUDA.
|
|
|
Metodologias de Ensino Aprendizagem: Aulas expositivas dialogadas com uso de slides e demonstrações de código. Laboratórios práticos para implementação dos conceitos. Estudos de caso em aplicações reais (IA, processamento de imagens, simulação científica). Aprendizagem baseada em problemas (PBL) para desenvolvimento de soluções.
|
|
|
Previsão de Trabalhos Discentes: Listas de exercícios de programação individuais (Python, C, C++ e CUDA). Implementação de pequenos projetos práticos semanais. Trabalho final integrador: desenvolvimento de uma aplicação que combine Python, C++ e CUDA para resolver um problema de alto desempenho.
|
|
|
Forma de Avaliação: ·Listas de exercícios: 40% da nota final. ·Trabalho final integrador (com relatório técnico e código): 60% da nota final. ·Critérios: funcionalidade, desempenho, clareza do código e documentação.
|
|
|
Bibliografia: 1. ZELLE, John M. Python Programming: An Introduction to Computer Science. Franklin, Beedle & Associates, 2017. 2. KERNIGHAN, Brian W.; RITCHIE, Dennis M. The C Programming Language. Prentice Hall, 2ª ed., 1988. 3. STRouSTRUP, Bjarne. The C++ Programming Language. Addison-Wesley, 4ª ed., 2013. 4. SANDERS, Jason; KANDROT, Edward. CUDA by Example: An Introduction to General-Purpose GPU Programming. Addison-Wesley, 2010. 5. BEAZLEY, David M. Python Cookbook. O’Reilly Media, 3ª ed., 2013.
|
|
|
Disciplina: Estatística e Probabilidade para IA |
Carga Horária: 30 hs |
|
Objetivo: Fornecer aos alunos uma base teórica e prática sólida em estatística e probabilidade aplicada à Inteligência Artificial (IA), capacitando-os a compreender, modelar e interpretar dados de forma crítica. O curso visa desenvolver competências para aplicar métodos estatísticos em análise exploratória de dados, construção de modelos probabilísticos e avaliação de algoritmos de aprendizado de máquina, considerando cenários reais e datasets complexos.
|
|
|
Programa: 1. Fundamentos de Probabilidade Espaço amostral, eventos e axiomas de probabilidade. Probabilidade condicional, independência e Teorema de Bayes. 2. Variáveis Aleatórias e Distribuições Variáveis aleatórias discretas e contínuas. Principais distribuições discretas: Bernoulli, Binomial, Poisson. Principais distribuições contínuas: Uniforme, Normal, Exponencial. Função de probabilidade, função de distribuição e densidade de probabilidade. 3. Estatística Descritiva e Medidas Resumo Média, mediana, moda, variância, desvio padrão. Medidas de assimetria e curtose. Visualização de dados (histogramas, boxplots, gráficos de densidade). 4. Inferência Estatística Amostragem e distribuições amostrais. Estimadores pontuais e intervalos de confiança. Testes de hipóteses (t, z, qui-quadrado, ANOVA). 5. Modelagem Estatística e Regressão Regressão linear simples e múltipla. Regressão logística. Avaliação de modelos (erro quadrático médio, R², acurácia, precisão, recall). 6. Aplicações em Inteligência Artificial Uso de distribuições e testes em validação de modelos de IA. Aplicação de inferência estatística na seleção de hiperparâmetros. Introdução a métodos bayesianos e redes probabilísticas.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução de conceitos teóricos. ·Estudos de caso práticos aplicados a datasets reais em IA. ·Laboratórios computacionais com uso de Python (bibliotecas como NumPy, Pandas, SciPy e Scikit-learn). ·Aprendizagem baseada em problemas (PBL) para resolução de questões de modelagem estatística. ·Discussões em grupo para análise crítica de resultados e interpretação de modelos.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios teóricos e práticos. ·Análises de datasets reais utilizando técnicas estudadas. ·Projeto final integrador: aplicação de métodos estatísticos para avaliação e otimização de um modelo de IA.
|
|
|
Forma de Avaliação: ·Listas de exercícios: 40% da nota. ·Projeto final integrador: 60% da nota. ·Critérios: correção matemática, clareza na comunicação dos resultados, justificativa das escolhas metodológicas e reprodutibilidade da análise.
|
|
|
Bibliografia: ROSS, Sheldon M. Introduction to Probability and Statistics for Engineers and Scientists. Academic Press, 2019. HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The Elements of Statistical Learning. Springer, 2009. NEWBOLD, Paul; CARLYLE, William L.; THORNE, Betty. Statistics for Business and Economics. Pearson, 2019. BISHOP, Christopher M. Pattern Recognition and Machine Learning. Springer, 2006. JOHNSON, Richard A.; WICHERN, Dean W. Applied Multivariate Statistical Analysis. Pearson, 2019.
|
|
|
Disciplina: Otimização de Sistemas |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o estudante a compreender e aplicar métodos matemáticos e computacionais de otimização em problemas reais e em sistemas de Inteligência Artificial. O curso busca desenvolver competências para formular problemas de otimização, escolher técnicas adequadas (convexas, não convexas, locais, globais, evolutivas) e implementar soluções eficientes. Ao final, o aluno será capaz de otimizar modelos de aprendizado de máquina e sistemas dinâmicos, considerando eficiência computacional, robustez e convergência.
|
|
|
Programa: 1. Fundamentos e Modelagem de Problemas de Otimização Tipos de problemas, variáveis, função objetivo, restrições. Papel da otimização em engenharia e ciência de dados. Aplicações ilustrativas. Conceitos fundamentais: função objetivo, variáveis de decisão, restrições. Classificação de problemas: lineares, não lineares, convexos, não convexos. 2. Otimização Convexa Propriedades de funções convexas e conjuntos convexos. Programação linear e quadrática. Métodos de ponto interior. 3. Otimização Não Convexa Desafios e estratégias de solução. Métodos de gradiente e gradiente estocástico. Técnicas de regularização e ajuste de hiperparâmetros. 4. Métodos de Busca Local e Global Hill Climbing, Simulated Annealing, Busca Tabu. Otimização por enxame de partículas (PSO). Algoritmos genéticos e evolutivos. 5. Otimização em Aprendizado de Máquina Otimização de funções de custo em redes neurais. Ajuste de hiperparâmetros (grid search, random search, Bayesian optimization). Otimização em sistemas de controle e automação. Papel da otimização em pipelines de ML e DL 6. Implementação Computacional Uso de bibliotecas Python: SciPy Optimize, Pyomo, DEAP, Optuna. Integração com frameworks de IA (TensorFlow, PyTorch).
|
|
|
Metodologias de Ensino Aprendizagem: Aulas expositivas dialogadas para apresentação de conceitos e teorias. Demonstrações computacionais em Python para aplicação prática. Estudos de caso em problemas reais de automação, redes neurais e sistemas inteligentes. Aprendizagem baseada em problemas (PBL), incentivando a formulação e solução de problemas originais. Trabalhos colaborativos para implementação de algoritmos de otimização.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios matemáticos e computacionais. ·Implementação de algoritmos de otimização do zero. ·Experimentos comparativos entre diferentes métodos aplicados a um problema real. ·Projeto final: formulação, implementação e análise de um problema de otimização aplicado a IA ou sistemas dinâmicos.
|
|
|
Forma de Avaliação: Listas de exercícios e implementações: 40% da nota. Projeto final integrador (relatório + código): 60% da nota. Critérios: correção matemática, eficiência da solução, clareza de código, apresentação e análise dos resultados.
|
|
|
Bibliografia:
|
|
|
Disciplina: Ciência de Dados e Inteligência Artificial |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender e aplicar conceitos, métodos e ferramentas de Ciência de Dados e Inteligência Artificial para análise, modelagem e interpretação de grandes volumes de dados. Ao final do curso, o participante será capaz de realizar o ciclo completo de um projeto de Data Science — desde a coleta e pré-processamento de dados até a aplicação e avaliação de modelos de aprendizado de máquina, utilizando linguagens e bibliotecas modernas, como Python e R.
|
|
|
Programa: 1. Introdução à Data Science e IA Definições, aplicações e importância estratégica. Ciclo de vida de um projeto de Data Science. Visão geral de IA e Aprendizado de Máquina. 2. Coleta, Limpeza e Pré-processamento de Dados Fontes de dados estruturados e não estruturados. Tratamento de valores ausentes e inconsistências. Normalização, padronização e seleção de atributos. 3. Exploração e Visualização de Dados Estatística descritiva aplicada a grandes volumes de dados. Visualização com Matplotlib, Seaborn e ggplot2 (Python e R). Análise de correlação e detecção de padrões. 4. Aprendizado Supervisionado Conceitos de classificação e regressão. Algoritmos: Regressão Linear, Regressão Logística, Árvores de Decisão, Random Forest, SVM. Métricas de avaliação (acurácia, precisão, recall, F1-score, RMSE). 5. Aprendizado Não Supervisionado Conceitos e aplicações. Algoritmos: K-Means, Hierarchical Clustering, DBSCAN, PCA. Avaliação de qualidade de clusters. 6. Introdução a Deep Learning Conceitos básicos e redes neurais artificiais. Frameworks: TensorFlow e PyTorch. Aplicações em visão computacional e processamento de linguagem natural. 7. Análise Preditiva e Implantação de Modelos Pipeline de Machine Learning. Validação cruzada e ajuste de hiperparâmetros. Introdução a MLOps e deploy de modelos.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução dos conceitos teóricos. ·Aulas práticas em laboratório com implementação em Python e R. ·Estudos de caso com datasets reais de diferentes áreas (saúde, indústria, transporte, marketing). ·Aprendizagem baseada em projetos (PBL), incentivando a resolução de problemas reais. ·Discussões em grupo sobre as aplicações e implicações éticas de IA.
|
|
|
Previsão de Trabalhos Discentes: Listas de exercícios práticos de programação e análise de dados. Miniprojetos semanais com aplicação de algoritmos de IA. Projeto final integrador: pipeline completo de Data Science, desde a coleta e análise até a modelagem e avaliação do modelo.
|
|
|
Forma de Avaliação: ·Exercícios práticos e miniprojetos: 40% da nota final. ·Projeto final integrador (relatório + código + apresentação): 60% da nota final. ·Critérios: funcionalidade, eficiência do modelo, clareza de comunicação, documentação e reprodutibilidade.
|
|
|
Bibliografia: 1. PROVOST, Foster; FAWCETT, Tom. Data Science for Business. O’Reilly Media, 2013. 2. MUELLER, John Paul; MASSARON, Luca. Python for Data Science For Dummies. Wiley, 2019. 3. GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. 4. VANDERPLAS, Jake. Data Science Handbook. O’Reilly Media, 2016. 5. ZUMEL, Nina; MOUNT, John. Practical Data Science with R. Manning Publications, 2014.
|
|
Módulo 2 – 180 hs – Tecnologias de IA
|
Disciplina: Machine Learning |
Carga Horária: 30 hs |
|
Objetivo: Introduzir conceitos, técnicas e práticas fundamentais de aprendizado de máquina (Machine Learning), capacitando o estudante a entender, implementar e avaliar modelos supervisionados, não supervisionados e semi-supervisionados. O curso enfatiza o uso de ferramentas modernas, como Scikit-learn, Keras e TensorFlow, e aborda tanto aspectos teóricos quanto práticos, preparando o aluno para resolver problemas reais e lidar com desafios como overfitting e underfitting.
|
|
|
Programa: 1. Introdução ao Machine Learning Conceitos fundamentais e tipos de aprendizado (supervisionado, não supervisionado, semi-supervisionado). Ciclo de vida de um projeto de ML. Noções de big data e papel do ML na IA. 2. Pré-processamento e Preparação de Dados Limpeza e transformação de dados. Normalização, padronização e codificação de variáveis categóricas. Divisão de dados em conjuntos de treino, validação e teste. 3. Aprendizado Supervisionado – Regressão e Classificação Regressão Linear e Regressão Logística. Máquinas de Vetores de Suporte (SVM). k-Vizinhos Mais Próximos (k-NN). Árvores de Decisão e Random Forest. 4. Aprendizado Não Supervisionado Análise de agrupamento: K-Means, DBSCAN, agrupamento hierárquico. Redução de dimensionalidade: PCA, t-SNE. 5. Introdução a Redes Neurais Perceptron e MLP (Multi-Layer Perceptron). Introdução a frameworks: Keras e TensorFlow. Aplicações básicas de deep learning. 6. Avaliação e Otimização de Modelos Métricas de avaliação: acurácia, precisão, recall, F1-score, ROC-AUC, RMSE. Técnicas de validação cruzada. Regularização (L1, L2) e prevenção de overfitting/underfitting. Ajuste de hiperparâmetros: Grid Search e Random Search. 7. Tópicos Avançados e Tendências Métodos ensemble (Bagging, Boosting, Stacking). Transfer Learning e aplicações recentes.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução de conceitos teóricos. ·Laboratórios práticos com Python, Scikit-learn, Keras e TensorFlow. ·Estudos de caso baseados em datasets reais. ·Aprendizagem baseada em projetos (PBL) para resolução de problemas do mundo real. ·Discussões em grupo sobre desafios e tendências em Machine Learning.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios práticos de implementação de modelos. ·Análises comparativas entre diferentes algoritmos aplicados ao mesmo dataset. ·Projeto final integrador: pipeline completo de ML, da preparação dos dados à avaliação do modelo.
|
|
|
Forma de Avaliação: Exercícios práticos e miniprojetos: 40% da nota. Projeto final integrador (relatório, código e apresentação): 60% da nota. Critérios: desempenho do modelo, clareza e organização do código, análise crítica dos resultados e documentação.
|
|
|
Bibliografia: 1. BISHOP, Christopher M. Pattern Recognition and Machine Learning. Springer, 2006. 2. GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, 2022. 3. MURPHY, Kevin P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. 4. MÜLLER, Andreas C.; GUIDO, Sarah. Introduction to Machine Learning with Python. O’Reilly Media, 2016. 5. CHOLLET, François. Deep Learning with Python. Manning Publications, 2018.
|
|
|
Disciplina: Aprendizagem Profunda Aplicada |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender, projetar, implementar e otimizar modelos de aprendizado profundo (Deep Learning) aplicados a diferentes domínios, como visão computacional, processamento de linguagem natural e geração de conteúdo. O curso combina fundamentos teóricos com práticas de implementação no MATLAB/Simulink (Deep Learning Toolbox) e análises comparativas com frameworks modernos como TensorFlow, Keras e PyTorch, preparando o participante para enfrentar desafios reais na criação, treinamento e validação de redes neurais profundas.
|
|
|
Programa: 1. Introdução ao Deep Learning Conceitos e histórico. Diferença entre aprendizado profundo e outras abordagens de IA. Visão geral das soluções MATLAB/Simulink para Deep Learning e comparação com frameworks populares (TensorFlow, Keras e PyTorch). 2. Fundamentos de Redes Neurais Profundas (DNNs) Estrutura e funcionamento de neurônios artificiais. Arquiteturas feedforward e funções de ativação. Backpropagation e otimização por gradiente no MATLAB. 3. Técnicas de Treinamento e Regularização Inicialização de pesos e batch normalization. Dropout, L1/L2 regularization. Ajuste de hiperparâmetros com Experiment Manager do MATLAB. 4. Redes Neurais Convolucionais (CNNs) Operações de convolução e pooling. Arquiteturas clássicas (AlexNet, VGG, ResNet) pré-treinadas no MATLAB. Aplicações em visão computacional: classificação, detecção e segmentação. 5. Redes Neurais Recorrentes (RNNs) Conceito de memória em redes neurais. LSTM e GRU. ·Aplicações em séries temporais e NLP utilizando MATLAB e Text Analytics Toolbox. 6. Autoencoders e Redes Geradoras Autoencoders simples e variacionais (VAEs). Aplicações em geração de imagens, dados sintéticos e redução de dimensionalidade. Redes adversariais generativas (GANs) no MATLAB. 7. Aplicações Avançadas e Integração Transfer Learning e fine-tuning de modelos pré-treinados do Model Hub. Implementação de pipelines completos de Deep Learning no MATLAB. Integração de modelos com Simulink para simulação e prototipagem rápida.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentar conceitos teóricos. ·Laboratórios práticos com implementação de modelos em Python usando Keras, TensorFlow e PyTorch. ·Estudos de caso em visão computacional, NLP e geração de conteúdo. ·Aprendizagem baseada em projetos (PBL) para aplicação dos conceitos em problemas reais. ·Discussões técnicas sobre arquitetura de modelos e resultados obtidos.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios práticos de implementação de modelos. ·Análises comparativas entre diferentes algoritmos aplicados ao mesmo dataset. ·Projeto final integrador: pipeline completo de Deep Learning, da preparação dos dados à avaliação do modelo.
|
|
|
Forma de Avaliação: Exercícios práticos e miniprojetos: 40% da nota. Projeto final integrador: 60% da nota (avaliação do código, relatório e apresentação). Critérios: desempenho do modelo, clareza e organização do código, análise crítica dos resultados e documentação.
|
|
|
Bibliografia: 1. GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. 2. NIELSEN, Michael. Neural Networks and Deep Learning. Determination Press, 2015. 3. CHOLLET, François. Deep Learning with Python. Manning Publications, 2018. 4. GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, 2022. 5. VASILEV, Ivan; SLATER, Daniel. Python Deep Learning. Packt Publishing, 2019.
|
|
|
Disciplina: Aprendizado por Reforço |
Carga Horária: 30 hs |
|
Objetivo: Fornecer ao estudante uma compreensão sólida dos fundamentos teóricos e práticos do aprendizado por reforço (Reinforcement Learning – RL), capacitando-o a implementar e aplicar algoritmos clássicos e modernos em diferentes domínios, como controle, jogos, robótica e ambientes dinâmicos. Ao final do curso, o aluno será capaz de projetar agentes inteligentes, definir funções de recompensa adequadas, lidar com dilemas de exploração-exploração e aplicar métodos de RL em problemas reais e de grande escala.
|
|
|
Programa: 1. Introdução ao Aprendizado por Reforço Conceitos fundamentais: agentes, ambientes, estados, ações e recompensas. Diferenças entre RL, aprendizado supervisionado e não supervisionado. Modelos de tomada de decisão: Processo de Decisão de Markov (MDP). 2. Métodos Baseados em Valores Funções de valor e função de ação-valor. Programação dinâmica: iteração de valores e iteração de políticas. Q-learning e SARSA. 3. Métodos Baseados em Políticas Representação de políticas. Gradiente de política e REINFORCE. Advantage Actor-Critic (A2C). 4. Deep Reinforcement Learning Deep Q-Networks (DQN). Otimizações: Double DQN, Dueling DQN, Prioritized Experience Replay. Integração com redes neurais profundas. 5. Tópicos Avançados e Aplicações Métodos baseados em modelos vs. métodos sem modelo. Estratégias de exploração-exploração (ε-greedy, UCB, Softmax). RL em ambientes contínuos (DDPG, PPO). Aplicações em robótica, controle industrial e jogos. 6. Projeto Integrador e Estudos de Caso Implementação de um agente RL em ambiente OpenAI Gym. Estudo de caso em simulação de robôs, jogos ou otimização de processos.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução dos conceitos teóricos. ·Laboratórios práticos com Python, bibliotecas como Gym, Stable-Baselines3 e PyTorch/TensorFlow. ·Estudos de caso em aplicações reais de RL. ·Aprendizagem baseada em projetos (PBL) para implementação de um agente RL. ·Discussões em grupo sobre desafios e tendências em RL.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios teóricos e práticos. ·Implementações de algoritmos de RL clássicos e com deep learning. ·Projeto final integrador: desenvolvimento, treinamento e avaliação de um agente RL para um problema específico.
|
|
|
Forma de Avaliação: ·Exercícios práticos e miniprojetos: 40% da nota final. ·Projeto final integrador (relatório, código e apresentação): 60% da nota final. ·Critérios: desempenho do agente, clareza e organização do código, justificativa das escolhas de modelagem, análise dos resultados e inovação da solução proposta.
|
|
|
Bibliografia: 1. SUTTON, Richard S.; BARTO, Andrew G. Reinforcement Learning: An Introduction. MIT Press, 2018. 2. LAPAN, Maxim. Deep Reinforcement Learning Hands-On. Packt Publishing, 2020. 3. RAVICHANDRAN, Sudharsan. Hands-On Reinforcement Learning with Python. Packt Publishing, 2018. 4. SZEPSVÁRI, Csaba. Algorithms for Reinforcement Learning. Morgan & Claypool, 2010. 5. WIERING, Marco; VAN OTTERLO, Martijn. Reinforcement Learning: State-of-the-Art. Springer, 2012.
|
|
|
Disciplina: Processamento em Linguagem Natural – LLM (Large Language Models) |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender os fundamentos teóricos, arquiteturas e aplicações de modelos de linguagem de grande porte (Large Language Models – LLMs), com foco em técnicas baseadas em transformers como GPT, BERT e suas variantes. O curso combina teoria e prática para preparar o estudante a adaptar LLMs a diferentes tarefas de Processamento de Linguagem Natural (PLN), como tradução automática, análise de sentimentos, sumarização e geração de texto, além de integrar esses modelos em sistemas conversacionais e chatbots.
|
|
|
Programa: 1. Introdução ao PLN e LLMs Visão geral do Processamento de Linguagem Natural. Evolução dos modelos de PLN: de n-grams a transformers. Contexto e impacto dos LLMs na indústria e na pesquisa. 2. Arquitetura Transformer Mecanismo de atenção e self-attention. Codificadores (encoders) e decodificadores (decoders). Funcionamento do paper Attention Is All You Need. 3. Modelos de Referência GPT e variações (Generative Pre-trained Transformers). BERT e derivados (RoBERTa, DistilBERT, ALBERT). Diferenças entre modelos encoder-only, decoder-only e encoder-decoder. 4. Treinamento e Fine-Tuning Pré-treinamento e aprendizado por transferência (transfer learning). Fine-tuning supervisionado e prompt engineering. Ajuste de hiperparâmetros e avaliação de desempenho. 5. Aplicações de LLMs em PLN Tradução automática. Análise de sentimentos e classificação de texto. Sumarização automática. Geração de texto e content creation. 6. LLMs em Sistemas Conversacionais Arquitetura de chatbots inteligentes. Integração de LLMs com APIs e assistentes virtuais. Considerações éticas, viés e uso responsável de LLMs. 7. Projeto Integrador Desenvolvimento de uma aplicação prática usando LLM (ex.: chatbot, sistema de análise de texto, tradutor inteligente).
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para introdução e discussão dos conceitos. ·Laboratórios práticos com uso de Python, bibliotecas como Hugging Face Transformers e APIs de LLMs. ·Estudos de caso de aplicações reais de LLMs em empresas e pesquisa. ·Aprendizagem baseada em projetos (PBL) para desenvolvimento de soluções de PLN. ·Discussões em grupo sobre aspectos éticos e impactos sociais de LLMs.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios de implementação e análise de resultados. ·Miniprojetos de adaptação de LLMs a tarefas específicas. ·Projeto final integrador com documentação, código e apresentação.
|
|
|
Forma de Avaliação: ·Exercícios práticos e miniprojetos: 40% da nota final. ·Projeto final integrador (relatório técnico, código e apresentação): 60% da nota final. ·Critérios: funcionamento da aplicação, clareza do código, fundamentação teórica, análise crítica dos resultados e criatividade da solução.
|
|
|
Bibliografia: 1. VASWANI, Ashish et al. Attention Is All You Need. NeurIPS, 2017. 2. DEVLIN, Jacob et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL, 2019. 3. GOYAL, Palash; PANDEY, Sumit; JAIN, Karan. Deep Learning for Natural Language Processing. Apress, 2018. 4. ROTHMAN, Denis. Transformers for Natural Language Processing. Packt Publishing, 2021. 5. TUNSTALL, Lewis; VON WERRA, Leandro; WOLF, Thomas. Natural Language Processing with Transformers. O’Reilly Media, 2022.
|
|
|
Disciplina: Generative AI |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender e implementar modelos de Inteligência Artificial voltados à geração de conteúdo, com ênfase em Generative Adversarial Networks (GANs) e Variational Autoencoders (VAEs). O curso combina fundamentos teóricos com práticas de implementação em frameworks modernos, explorando aplicações na criação de imagens, textos, áudio e outros formatos, além de discutir técnicas de avaliação de qualidade e uso ético em contextos artísticos, comerciais e científicos.
|
|
|
Programa: 1. Introdução à Inteligência Artificial Generativa Definição, histórico e evolução. Principais aplicações em indústrias criativas e científicas. Comparação com outros paradigmas de IA. 2. Fundamentos de Modelos Generativos Conceito de distribuição de probabilidade e amostragem. Modelos probabilísticos vs. determinísticos. Métricas para avaliação de modelos generativos (FID, IS, LPIPS). 3. Variational Autoencoders (VAEs) Arquitetura e funcionamento. Codificador, decodificador e espaço latente. Aplicações em geração e reconstrução de dados. 4. Generative Adversarial Networks (GANs) Arquitetura básica: gerador e discriminador. Função de perda adversarial. Treinamento e estabilização. Principais variantes (DCGAN, WGAN, StyleGAN, CycleGAN). 5. Aplicações Multimodais de IA Generativa Geração de imagens realistas e arte digital. Síntese de voz e geração de áudio. Geração de texto e integração com LLMs. 6. Aspectos Avançados e Considerações Éticas Melhoria de qualidade e redução de artefatos. Uso responsável e mitigação de viés. Direitos autorais e impacto na indústria criativa. 7. Projeto Integrador Desenvolvimento de um modelo generativo para um caso específico (ex.: geração de imagens artísticas, reconstrução de dados médicos anonimizados, geração de música).
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentar conceitos e arquiteturas. ·Laboratórios práticos com Python e frameworks como TensorFlow, Keras e PyTorch. ·Estudos de caso de aplicações reais de IA generativa. ·Aprendizagem baseada em projetos (PBL) para desenvolvimento de uma aplicação completa. ·Discussões em grupo sobre ética, impacto social e tendências futuras.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios de implementação e análise de resultados. ·Miniprojetos de adaptação de LLMs a tarefas específicas. ·Projeto final integrador com documentação, código e apresentação.
|
|
|
Forma de Avaliação: ·Exercícios práticos e miniprojetos: 40% da nota final. ·Projeto final integrador (relatório técnico, código e apresentação): 60% da nota final. ·Critérios: funcionamento da aplicação, clareza do código, fundamentação teórica, análise crítica dos resultados e criatividade da solução.
|
|
|
Bibliografia: 1. FOSTER, David. Generative Deep Learning. O’Reilly Media, 2019. 2. VALLE, Rafael. Hands-On Generative Adversarial Networks with Keras. Packt Publishing, 2019. 3. CHOLLET, François. Deep Learning with Python. Manning Publications, 2018. 4. LANGR, Jakub; BOK, Vladimir. GANs in Action. Manning Publications, 2019. 5. SCHROFF, Florian S.; HIRSCH, Michael M.; KLESSIG, Rolf N. The GAN Handbook. Independently Published, 2021.
|
|
|
Disciplina: Sistemas Embarcados com Inteligência – TinyML e SLM (Small Language Models) |
Carga Horária: 30 hs |
|
Objetivo: Capacitar profissionais a projetar, treinar, quantizar, otimizar e implementar modelos de aprendizado de máquina compactos (TinyML) e modelos de linguagem natural otimizados para dispositivos embarcados (SLM – Small Language Models). O curso oferece conhecimentos sobre fundamentos de hardware embarcado, técnicas de compressão de modelos, fluxos de TinyMLOps, integração com sensores e aplicação prática em dispositivos com recursos computacionais restritos, preparando o aluno para atuar em projetos inovadores em áreas como wearables, automotivo, indústria, agricultura de precisão e IoT.
|
|
|
Programa: 1. Introdução ao Paradigma TinyML e Edge AI Conceito e motivação por trás do TinyML. Comparativo: Computação em Nuvem vs. Edge AI vs. TinyML. Impacto da IA embarcada em dispositivos de baixo consumo. Casos de uso: KWS (Keyword Spotting), reconhecimento de gestos, visão computacional simplificada, manutenção preditiva e monitoramento ambiental. Setores de aplicação: wearables, automotivo, agricultura de precisão, Indústria 4.0. 2. Fundamentos de Sistemas Embarcados Arquitetura de MCUs vs. MPUs. Tipos de memória e restrições de hardware. Periféricos essenciais: GPIO, ADC, PWM, I²C, SPI, UART. Programação embarcada em C/C++ (Arduino, PlatformIO). Integração com sensores e atuadores. Métricas de desempenho: tempo de inferência, uso de memória, consumo energético. 3. Fluxo de Trabalho em TinyML – TinyMLOps Coleta e preparação de dados embarcados. Pré-processamento de sinais (normalização, FFT, MFCC). Treinamento de modelos para classificação, regressão e clustering. Otimização: PTQ (Post-Training Quantization), QAT (Quantization-Aware Training), pruning e sparsity. Conversão e implantação de modelos: TensorFlow Lite Micro, CMSIS-NN, Edge Impulse, ONNX. Geração de código (C arrays, .tflite, headers C++). Ferramentas e bibliotecas: TensorFlow Lite Micro, micromlgen. Projetos práticos: classificação de imagens (câmera), detecção de sons (microfone), análise de sinais de sensores. 4. Modelos de Linguagem Compactos – TinyLLM e SLM Introdução a LLMs, SLMs e PLN embarcado. Arquiteturas leves: DistilBERT, MobileBERT, TinyGPT, LLaMa.cpp. Compressão e quantização para NLP embarcado. Fine-tuning, LoRA, QLoRA e adaptação para edge computing. RAG (Recuperação Aumentada por Geração) em dispositivos locais. Implementação prática com Raspberry Pi 4/5. Aplicações: assistente embarcado, chatbot offline, manual inteligente. 5. Tendências Futuras e Desafios Federated Learning e Edge Collaboration. Privacidade, segurança e confiabilidade em IA embarcada. Sistemas autônomos de energia (bateria, solar). O futuro da Edge Intelligence e TinyLLMs em cidades inteligentes, saúde e IoT.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentação de conceitos teóricos e arquiteturas. ·Laboratórios práticos para implementação de modelos TinyML e SLM em dispositivos reais. ·Estudos de caso sobre aplicações de IA embarcada em diferentes setores. ·Aprendizagem baseada em projetos (PBL) para desenvolvimento de soluções reais. ·Discussões técnicas sobre eficiência, segurança e aplicações futuras.
|
|
|
Previsão de Trabalhos Discentes: ·Exercícios práticos de programação embarcada e otimização de modelos. ·Miniprojetos aplicados a sensores e visão computacional embarcada. ·Projeto final integrador: implementação completa de um modelo TinyML ou SLM em hardware real, com documentação e apresentação.
|
|
|
Forma de Avaliação: Exercícios práticos e miniprojetos: 40% da nota final. Projeto final integrador (relatório técnico, código e demonstração prática): 60% da nota final. Critérios: eficiência da solução, clareza do código, uso adequado das técnicas de compressão/otimização, análise crítica e inovação.
|
|
|
Bibliografia: 1. WARDEN, Pete; SITUNAYAKE, Daniel. TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. O’Reilly Media, 2019. 2. BANERJEE, R. Hands-On TinyML. BPB Publications, 2023. 3. IODICE, G. M. TinyML Cookbook. Packt Publishing, 2022. 4. ALAMMAR, J.; GROOTENDORST, M. Hands-on Large Language Models: Language Understanding and Generation. O’Reilly Media, 2024. 5. SITUNAYAKE, D.; PLUNKETT, J. AI at the Edge. O’Reilly Media, 2023.
|
|
Módulo 3 – 120 hs – Aplicações
|
Disciplina: Plataformas de HW para IA |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender e aplicar arquiteturas de hardware especializadas para aceleração de aplicações de Inteligência Artificial, com ênfase em GPUs, TPUs e FPGAs. O curso prepara o estudante para implementar e otimizar algoritmos de aprendizado profundo e aprendizado de máquina em sistemas de grande escala, explorando desde fundamentos de arquitetura até estratégias de programação paralela e uso eficiente de recursos computacionais.
|
|
|
Programa: 1. Introdução a Plataformas de Hardware para AI Evolução do hardware para Inteligência Artificial. Comparação entre CPU, GPU, TPU e FPGA. Cenários de uso e aplicações práticas. 2. Arquitetura de GPUs para AI Estrutura interna: multiprocessadores, núcleos CUDA, memória global, memória compartilhada. Conceitos de paralelismo massivo e SIMT (Single Instruction, Multiple Threads). Comunicação entre CPU e GPU. 3. Programação em CUDA Modelo de programação CUDA: kernels, threads, blocks e grids. Gerenciamento de memória e otimização de acesso. Otimizações de desempenho para redes neurais. Ferramentas e bibliotecas CUDA (cuBLAS, cuDNN, TensorRT). 4. TPUs (Tensor Processing Units) Arquitetura e funcionamento interno. Integração com frameworks como TensorFlow. Aplicações para treinamento e inferência. 5. FPGAs para AI Fundamentos de arquitetura reconfigurável. Fluxo de programação: HDL (VHDL/Verilog) e alto nível (HLS). Aplicações em inferência de redes neurais e pipelines de processamento. 6. Plataformas de Grande Escala para Treinamento e Inferência Clusters GPU e TPU. Sistemas distribuídos e comunicação de alta velocidade (NVLink, InfiniBand). Otimização de training distribuído. 7. Projeto Integrador Implementação e otimização de uma aplicação de AI utilizando GPU, TPU ou FPGA.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentação de conceitos teóricos e arquiteturas. ·Laboratórios práticos com programação CUDA e/ou uso de GPUs e FPGAs. ·Estudos de caso de implementações reais em ambientes corporativos e de pesquisa.. ·Aprendizagem baseada em projetos (PBL) para desenvolvimento de aplicações aceleradas por hardware. ·Discussões técnicas sobre tendências e novas arquiteturas.
|
|
|
Previsão de Trabalhos Discentes: ·Exercícios práticos de programação paralela em CUDA. ·Implementações experimentais em TPUs ou FPGAs. ·Projeto final integrador com documentação técnica, código e demonstração de desempenho.
|
|
|
Forma de Avaliação: Exercícios práticos e miniprojetos: 40% da nota final. Projeto final integrador (relatório técnico, código e demonstração prática): 60% da nota final (avaliação de desempenho, otimização, clareza do código, relatório e apresentação).
|
|
|
Bibliografia: 1. COOK, Shane. CUDA Programming. Morgan Kaufmann, 2013. 2. HINES, Michael. Deep Learning with CUDA. Packt Publishing, 2020. 3. KIRK, David; HWU, Wen-mei W. Programming GPUs with CUDA. Morgan Kaufmann, 2016. 4. GUSTAFSON, John C. High-Performance Computing on the GPU. Springer, 2021. 5. CHANDRA, Rohit; MENON, Ramesh et al. Parallel Programming with OpenMP. Morgan Kaufmann, 2021.
|
|
|
Disciplina: Sistemas de Visão Computacional Inteligente |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender, projetar e implementar sistemas de visão computacional com recursos inteligentes, explorando desde fundamentos de processamento de imagens até técnicas avançadas baseadas em redes neurais convolucionais (CNNs). Ao final do curso, o estudante será capaz de desenvolver soluções para detecção, segmentação, rastreamento e reconhecimento de objetos, utilizando bibliotecas e frameworks modernos como OpenCV e TensorFlow, aplicáveis a diferentes domínios como segurança, indústria, saúde, mobilidade e automação.
|
|
|
Programa: 1. Introdução a Sistemas de Visão Computacional Inteligente Conceitos, histórico e importância. Principais áreas de aplicação. Fluxo de processamento em visão computacional. 2. Fundamentos de Processamento de Imagens Representação digital de imagens: formatos e canais de cor. Operações básicas: filtros espaciais, transformações geométricas, ajuste de brilho e contraste. Extração de características: bordas, cantos e descritores locais (SIFT, SURF, ORB). 3. Detecção e Reconhecimento de Objetos Métodos clássicos: Haar cascades, HOG + SVM. Detecção baseada em deep learning: YOLO, SSD, Faster R-CNN. Reconhecimento facial e biometria. 4. Segmentação de Imagens Limiarização, segmentação por cor e análise de regiões. Segmentação semântica com CNNs (U-Net, Mask R-CNN). 5. Rastreamento de Objetos Algoritmos clássicos: KLT, Meanshift, Camshift. Rastreamento com deep learning (Deep SORT). 6. Redes Neurais Convolucionais (CNNs) Arquitetura e funcionamento. Arquiteturas populares: LeNet, AlexNet, VGG, ResNet. Transfer learning e fine-tuning para visão computacional. 7. Implementação e Otimização de Sistemas de Visão Computacional Uso de OpenCV, TensorFlow e Keras. Técnicas de aceleração e otimização para aplicações em tempo real. Projeto integrador: solução completa de visão computacional inteligente.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentação de conceitos e arquiteturas. ·Aulas práticas em laboratório com implementação de algoritmos e modelos. ·Estudos de caso em aplicações reais e industriais. ·Aprendizagem baseada em projetos (PBL) para desenvolvimento de soluções completas. ·Discussões técnicas sobre tendências, desafios e inovações na área.
|
|
|
Previsão de Trabalhos Discentes: ·Exercícios práticos de programação e processamento de imagens. ·Miniprojetos com detecção, segmentação e rastreamento de objetos. ·Projeto final integrador com desenvolvimento, documentação e apresentação de um sistema de visão computacional inteligente.
|
|
|
Forma de Avaliação: Exercícios práticos e miniprojetos: 40% da nota final. Projeto final integrador (relatório, código e apresentação): 60% da nota final (avaliação de desempenho, otimização, clareza do código, relatório e apresentação). Critérios: precisão, desempenho, clareza e organização do código, fundamentação teórica e inovação da solução.
|
|
|
Bibliografia: ·SZELISKI, Richard. Computer Vision: Algorithms and Applications. Springer, 2022. ·SHANMUGAMANI, Rajalingappaa. Deep Learning for Computer Vision. Packt Publishing, 2018. ·BRADSKI, Gary; KAEHLER, Adrian. Learning OpenCV. O’Reilly Media, 2013. ·BISHOP, Christopher M. Pattern Recognition and Machine Learning. Springer, 2006. ·FORSYTH, David; PONCE, Jean. Computer Vision: A Modern Approach. Pearson, 2011.
|
|
|
Disciplina: Robótica |
Carga Horária: 30 hs |
|
Objetivo: Proporcionar ao aluno uma compreensão sólida dos fundamentos da robótica, abrangendo modelagem cinemática e dinâmica, planejamento de movimento e controle de robôs autônomos. O curso também visa desenvolver habilidades para integrar técnicas de Inteligência Artificial, como aprendizado de máquina e controle adaptativo, possibilitando o projeto e implementação de robôs inteligentes capazes de operar de forma autônoma em diferentes cenários.
|
|
|
Programa: 1. Introdução à Robótica História, evolução e aplicações da robótica. Classificação de robôs: industriais, móveis, humanoides e de serviço. Arquiteturas de sistemas robóticos. 2. Modelagem Cinemática de Robôs Sistemas de coordenadas e transformações homogêneas. Cinemática direta e inversa para manipuladores. Representação Denavit-Hartenberg (DH). 3. Dinâmica de Robôs Equações de movimento. Modelo de Lagrange e Newton-Euler. Efeitos dinâmicos e compensação de forças. 4. Planejamento de Movimento Geração de trajetórias. Planejamento de caminhos (path planning) em ambientes estruturados e não estruturados. Algoritmos de busca (A*, D*, RRT). 5. Controle de Robôs Controle PID e controle adaptativo. Controle de manipuladores e robôs móveis. Controle de trajetória e de força. 6. Robôs Autônomos e Inteligentes Percepção e fusão sensorial. Integração com técnicas de aprendizado de máquina. Sistemas de navegação autônoma e SLAM (Simultaneous Localization and Mapping). 7. Projeto Integrador Desenvolvimento de um protótipo ou simulação de robô inteligente com integração de controle, percepção e IA.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentação de conceitos teóricos. ·Aulas práticas com uso de simuladores (Gazebo, V-REP, Webots) e/ou kits robóticos. ·Estudos de caso sobre aplicações reais em indústria, mobilidade e pesquisa. ·Aprendizagem baseada em projetos (PBL) para construção de protótipos ou simulações funcionais. ·Discussões técnicas sobre tendências e desafios da robótica inteligente.
|
|
|
Previsão de Trabalhos Discentes: ·Listas de exercícios teóricos e práticos. ·Implementação de algoritmos de cinemática, planejamento e controle. ·Projeto final integrador em simulação ou hardware real, com relatório e apresentação.
|
|
|
Forma de Avaliação: ·Exercícios e miniprojetos práticos: 40% da nota final. ·Projeto final integrador (relatório técnico, código e demonstração): 60% da nota final. ·Critérios: funcionalidade, precisão, clareza do código, documentação, fundamentação teórica e inovação.
|
|
|
Bibliografia: SICILIANO, Bruno; SCIAVICCO, Lorenzo. Robotics: Modelling, Planning, and Control. Springer, 2010. CRAIG, John J. Introduction to Robotics: Mechanics and Control. Pearson, 2017. HORN, Berthold K. P. Robotic Vision. MIT Press, 1986. SANDER, Carl N. S. Robots and Communication: Technology, Communication, and Security. Springer, 2019. FU, K. S.; GONZALEZ, R. C. Robotics: Control, Sensing, Vision, and Intelligence. McGraw-Hill, 1987.
|
|
|
Disciplina: Sistemas Autônomos |
Carga Horária: 30 hs |
|
Objetivo: Capacitar o aluno a compreender, projetar e implementar sistemas autônomos aplicados a veículos autônomos, robôs móveis e drones, abordando tecnologias de percepção, planejamento de movimento e tomada de decisão. O curso combina fundamentos teóricos e práticos, com ênfase no uso de aprendizado de máquina e técnicas avançadas para operação segura, eficiente e confiável em ambientes dinâmicos.
|
|
|
Programa: 1. Introdução a Sistemas Autônomos Definições, histórico e evolução. Principais áreas de aplicação: transporte, indústria, logística, agricultura, defesa e inspeção. Componentes principais: percepção, planejamento e controle. 2; Tecnologias de Percepção Sensores e fusão sensorial: câmeras, LiDAR, radar, GPS/INS, ultrassom. Processamento de imagens e visão computacional. Localização e mapeamento (SLAM – Simultaneous Localization and Mapping). 3. Planejamento de Movimento Geração de trajetórias e caminhos (path planning). Algoritmos de busca (A*, D*, RRT, RRT*). Evitação de obstáculos em tempo real. 4. Tomada de Decisão em Ambientes Dinâmicos Arquiteturas de controle para sistemas autônomos. Aprendizado de máquina para tomada de decisão. Técnicas de reforço (Reinforcement Learning) aplicadas à autonomia. 5. Segurança, Confiabilidade e Ética Falhas, redundância e tolerância a falhas. Segurança cibernética em sistemas autônomos. Questões éticas e regulatórias. 6. Projeto Integrador Desenvolvimento de um sistema autônomo em simulação ou protótipo real. Integração de percepção, planejamento e tomada de decisão.
|
|
|
Metodologias de Ensino Aprendizagem: ·Aulas expositivas dialogadas para apresentação de conceitos e arquiteturas. ·Laboratórios práticos com simulação (ROS/Gazebo, Webots, CARLA) e/ou protótipos físicos. ·Estudos de caso sobre aplicações reais em diferentes setores. ·Aprendizagem baseada em projetos (PBL) para o desenvolvimento de soluções completas. ·Discussões técnicas sobre desafios e tendências em sistemas autônomos.
|
|
|
Previsão de Trabalhos Discentes: ·Exercícios práticos de programação e simulação. ·Miniprojetos de integração de percepção e planejamento. ·Projeto final integrador com relatório técnico, código e apresentação.
|
|
|
Forma de Avaliação: ·Exercícios e miniprojetos práticos: 40% da nota final. ·Projeto final integrador: 60% da nota final (avaliação do desempenho, inovação, documentação, clareza do código e apresentação).
|
|
|
Bibliografia: 1. WASLANDER, Steven. Autonomous Systems: Principles, Models, and Applications. Springer, 2023 2. RAJKUMAR, Raj et al. Autonomous Vehicles: Opportunities, Challenges, and the Road Ahead. Cambridge University Press, 2022. 3. BEKEY, George A. Autonomous Robots. MIT Press, 2005. 4. CACCAVALE, Gabriele. Artificial Intelligence for Autonomous Systems. Wiley, 2022. 5. ANDERSON, James M. et al. Autonomous Vehicle Technology. RAND Corporation, 2016.
|
|
|
Disciplina: Seminário |
Carga Horária: 10 hs |
|
Objetivo: Promover o desenvolvimento das competências de comunicação oral e escrita, argumentação crítica e síntese de ideias, por meio da preparação e apresentação de trabalhos acadêmicos. Estimular a postura profissional, a interação entre os estudantes e a integração de conhecimentos adquiridos ao longo do curso.
|
|
|
Programa: 1. Orientações gerais sobre elaboração de trabalhos acadêmicos e técnicos. 2. Estruturação de apresentações orais: objetivos, conteúdo, síntese e conclusões. 3. Uso de recursos audiovisuais e multimídia em apresentações. 4. Técnicas de comunicação científica: clareza, objetividade e postura. 5. Apresentação de trabalhos acadêmicos individuais e/ou em grupo. 6. Discussão, arguição e feedback das apresentações.
|
|
|
Metodologias de Ensino Aprendizagem: ·Atividades práticas de preparação de trabalhos e apresentações. ·Sessões de apresentação oral com utilização de recursos audiovisuais. ·Discussões em grupo e arguições após cada apresentação. ·Feedback formativo dos docentes e colegas para aprimoramento contínuo.
|
|
|
Previsão de Trabalhos Discentes: ·Elaboração de trabalho acadêmico individual ou em grupo, conforme orientação. ·Preparação de apresentação em formato de seminário (slides/pôster). ·Exposição oral do trabalho desenvolvido, seguida de arguição. ·Participação ativa como debatedor nas apresentações dos colegas.
|
|
|
·Conteúdo e relevância do trabalho apresentado. ·Clareza, organização e objetividade da apresentação oral ·Domínio do tema e capacidade de responder a questionamentos ·Postura profissional e uso adequado de recursos didáticos ·Participação crítica e contributiva nas discussões
|
|
|
1. ECO, U. Como se Faz uma Tese. 24ª ed. São Paulo: Perspectiva, 2015. 2. GIL, A. C. Métodos e Técnicas de Pesquisa Social. 6ª ed. São Paulo: Atlas, 2019. 3. LAKATOS, E. M.; MARCONI, M. A. Fundamentos de Metodologia Científica. 9ª ed. São Paulo: Atlas, 2021. 4. CRESWELL, J. W. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5th ed. Thousand Oaks: Sage, 2018. 5. TURABIAN, K. L. A Manual for Writers of Research Papers, Theses, and Dissertations. 9th ed. Chicago: University of Chicago Press, 2018.
|
|
DOCENTES DO CURSO DE ESPECIALIZAÇÃO
|
Ordem |
Disciplina |
Carga Horária (horas) |
Titulação |
Docente responsável |
Vínculo/ Atuação |
|
Fundamentos de Pesquisa Científica e Tecnológica |
15 |
Dr. |
Graciela Heep |
UTFPR-PG |
|
|
2 |
Gestão de Projetos de Inteligência Artificial |
30 |
Dr. |
Layhon Santos |
OpenCadd |
|
3 |
Linguagens de Programação – Python, C e C++ (CUDA) |
30 |
Dr. |
Josmar Ivanqui |
UTFPR-PG |
|
4 |
Estatística e Probabilidade para IA |
30 |
Dr. |
José Pontes |
UTFPR-PG |
|
5 |
Otimização de Sistemas |
30 |
Dr. |
Gilberto Reynoso Mesa |
PUC-PR |
|
6 |
Ciêndia de Dados em Inteligência Artificial |
30 |
Esp. |
Gliceu Camargo |
UTFPR-PG |
|
Machine Learning |
30 |
Dr. |
Hugo Valadares Siqueira |
UTFPR-PG |
|
|
8 |
Aprendizagem Profunda Aplicada |
30 |
Dr. |
Calequela Manuel |
OpenCadd |
|
9 |
Aprendizagem por Reforço |
30 |
Dr. |
Marcella Scozinski |
UTFPR-PG |
|
10 |
Processamento em Linguagem Natural |
30 |
Dr. |
Glaucia Melo dos Santos |
TMU |
|
11 |
Generative AI |
30 |
Dr. |
Itamar Iliuk |
UTFPR-PG |
|
12 |
Sistemas Embarcados com Inteligência – TinyML e SLM |
30 |
M.Eng. |
Thommas Flores |
UFRN |
|
Plataformas de HW para IA |
30 |
M.Eng. |
Leonardo Orenstein |
NVIDIA |
|
|
14 |
Sistemas de Visão Computacional Inteligente |
30 |
Dr. |
Cristhiane Goncalves |
UTFPR-PG |
|
15 |
Sistemas Robóticos |
30 |
Dr. |
Jeferson José de Lima |
UTFPR-PG |
|
16 |
Sistemas Autônomos |
30 |
Dr. |
Max Mauro |
UTFPR-PG |
|
17 |
Seminário |
10 |
Dr. |
Max Mauro Dias Santos |
UTFPR-PG |
| UTFPR/DIRPPG-??|Endereço: ?? Telefone: ??| Email: ?? Site: ?? |
| Referência: Processo nº 23064.061460/2025-21 | SEI nº 5445545 |