Engenharia de Dados e Machine Learning 720hrs Módulo: Módulo 1: Introdução ao Big Data e Engenharia de Dados Módulo: Módulo 2: Modelagem e Bancos de Dados Relacionais Módulo: Módulo 3: Bancos NoSQL e Dados Distribuídos Módulo: Módulo 4: Processamento Distribuído e Streaming Módulo: Módulo 5: Preparação e Análise Exploratória de Dados Módulo: Módulo 6: Estatística e Probabilidade para Modelagem Módulo: Módulo 7: Fundamentos de Machine Learning Módulo: Módulo 8: Redes Neurais, PLN e Visão Computacional Módulo: Módulo 9: MLOps e Modelos em Produção Módulo: Módulo 10: Python para Engenharia de Dados e ML Módulo: Módulo 11: Pipelines de Dados: ETL/ELT, Data Lakehouse e Orquestração Módulo: Módulo 12: Governança, Ética e Regulação de Dados e IA Você pode visualizar a grade completa em https://www.famef.edu.br/curso-pos-ead/2250

Engenharia de Dados e Machine Learning

*Engenharia de Dados e Machine Learning* *Módulo: Módulo 1: Introdução ao Big Data e Engenharia de Dados* - Introdução à Engenharia de Dados e Big Data: Conceitos, Ecossistema (Hadoop, Spark) e Aplicações - O ecossistema de Big Data - Arquiteturas de hardware/software de big data - Engenharia de requisitos de dados *Módulo: Módulo 2: Modelagem e Bancos de Dados Relacionais* - Modelagem de Dados: Conceitual, Lógica e Física. Normalização e Integridade - Bancos de Dados Relacionais: Linguagem SQL, Otimização de Consultas e Administração - Joins avançados e CTEs - Subconsultas complexas *Módulo: Módulo 3: Bancos NoSQL e Dados Distribuídos* - Bancos de Dados Não Relacionais (NoSQL): Tipos (Chave-Valor, Documento, Colunar, Grafo) e Casos de Uso - MongoDB na prática - Redis, Cassandra e modelos de larga escala - Gerenciamento de Dados em Arquiteturas Distribuídas: Consistência (CAP Theorem) e Transações Distribuídas *Módulo: Módulo 4: Processamento Distribuído e Streaming* - Arquitetura Hadoop e HDFS - Processamento com Spark - Stream de dados: definição e fontes - Overview de frameworks de stream de big data *Módulo: Módulo 5: Preparação e Análise Exploratória de Dados* - Limpeza e preparação de dados - Manipulação de dados - Estatística descritiva para Ciência de Dados - Visualização e análise de dados *Módulo: Módulo 6: Estatística e Probabilidade para Modelagem* - Distribuições discretas de probabilidade e distribuições contínuas de probabilidade - Distribuições binomiais, distribuições Poisson e distribuições normais - Teste de hipóteses e estimação de parâmetros - Cálculos da Regressão dos Mínimos Quadrados *Módulo: Módulo 7: Fundamentos de Machine Learning* - Introdução ao Machine Learning - Machine Learning: principais conceitos e tendências - Modelos de Agrupamento e Modelos de Regressão - Técnicas de mineração (regras, clusters, classificação) *Módulo: Módulo 8: Redes Neurais, PLN e Visão Computacional* - Redes neurais de forma simplificada - Processamento de Linguagem Natural (PLN) - Mineração de textos (Text mining) - Inteligência Artificial para análise de imagens e vídeos *Módulo: Módulo 9: MLOps e Modelos em Produção* - Machine Learning Operations (MLOps): Ciclo de Vida de Modelos de IA e Implantação em Produção - H2O Flow: otimizando a produção de modelos ML - Serviço de IA na nuvem: Reconhecimento Facial, Classificação de imagens, Análise de Sentimento, Análise de Personalidade - Perfis e times em projetos de IA *Módulo: Módulo 10: Python para Engenharia de Dados e ML* - Fundamentos de Python para dados: sintaxe, estruturas e ambientes de desenvolvimento (Jupyter e ambientes virtuais) - Manipulação e análise de dados com Pandas e NumPy - Coleta de dados com Python: APIs, arquivos e conexão com bancos de dados - Machine Learning com scikit-learn: pipeline de treino, validação e métricas de desempenho *Módulo: Módulo 11: Pipelines de Dados: ETL/ELT, Data Lakehouse e Orquestração* - Arquiteturas de pipelines de dados: ETL, ELT, processamento em lote e em tempo real - Data Warehouse, Data Lake e Data Lakehouse: arquitetura em camadas (bronze, prata e ouro) - Orquestração de pipelines com Apache Airflow - Qualidade, observabilidade e linhagem de dados *Módulo: Módulo 12: Governança, Ética e Regulação de Dados e IA* - Governança de IA, Segurança de Dados e Riscos Algorítmicos - Aspectos éticos e legais da IA - Marco regulatório brasileiro de IA, AI Act e responsabilidade corporativa - LGPD aplicada a bancos de dados