Programadores, Analistas de BI, Cientistas de Dados, Gerentes de Produto, Project Owners, Analistas de Requisitos.

O curso começará no dia 08 de abril e serão 7 dias de curso das 19h ás 22h e um sábado das 09h às 12h. Seg (8/04) , Qua(10/04), Sex(12/04), Sab(13/04) (manhã), Seg(15/04), Ter(16/04),Qua(17/04)

R$ 1.200,00 reais.

Serão 21 horas com muito conteúdo.

Será realizado no SebraeLab, localizado no BioTic – Parque Tecnológico de Brasília. Granja do Torto ou na Asa Norte (à definir) 

Conhecimentos básicos de programação.

Erick Muzart Fonseca dos Santos. Formado em computação, especializado em Análise de Dados (AD) e Machine Learning (ML), mineração de dados e Deep Learning (DL). Participação no Deep Learning Summer School da Université de Montreal, Canadá, em 2017, onde teve contato com o estado da arte de DL e com alguns dos melhores pesquisadores mundiais da área. Auditor e cientista de dados no Tribunal de Contas da União (TCU), participa de projetos de análise de dados governamentais e é responsável pelo programa de capacitação dos auditores nessa área, tendo lecionado em diversos cursos internos e na pós-graduação do TCU em AD para o controle externo. (https://www.linkedin.com/in/erickmuzart/). Fundador e um dos organizadores do grupo de estudo em DL/ML de Brasília, que congrega voluntários para acompanhar em conjunto os melhores cursos da fast.ai e participar de projetos colaborativos. O grupo de estudo já realizou mais de 40 encontros presenciais em 2018, atingindo 70 participantes simultâneos no dia de máxima presença, conta com centenas de inscritos no Meetup e está desenvolvendo projetos conjuntos em NLP sobre textos em português jurídico.

1 – Contexto geral de IA. 2 – Machine Learning e Deep Learning: intuição dos modelos, como e porque funcionam. 3 – Relevância: novos resultados que ampliam as perspectivas de previsões em larga escala e baixo custo. Ex. ImageNet 2012. Arquiteturas pré-treinadas, reaproveitáveis para visão computacional (VGG, ResNet, DenseNet, etc.); conceitos de transferência de aprendizado entre domínios conexos. 4 – Aplicações “clássicas” de IA|DL: percepção (visão, audição), sensoriamento e controle com carros autônomos, dados estruturados, Processamento de Linguagem Natural (NLP): tradução, análise de sentimento, classificação de documentos. 5 – Aplicações mais originais: visão computacional sobre imagens de satélite com aplicações em diversos negócios: monitoramento de projetos de infraestrutura por indicadores indiretos; estoques e vendas de combustíveis e atividade do comércio varejista; necessidade de criatividade para identificar novas aplicações. 6 – Acoplamento de redes neurais: visão e NLP, para descrição de fotos|vídeos; leitura labial. Exemplo de codificação de uma rede neural. 7 – Aplicações médicas: interpretação confiável de exames médicos e diagnóstico para ganho de escala de medicina de alta qualidade a baixo custo; Ex: DeepMind|Google retinopatologias. 8 – Reinforcement learning: jogos Alpha Go e AlphaZero) e `criação autônoma` de conhecimento. 9 – GANS: criação e geração de novos dados originais seguindo distribuição conhecida. Ex: geração de rostos humanos, pela nVidia. Aplicações: transferência de estilo, transformação de imagens|vídeos, aumento de resolução; mapeamento; ambientes virtuais. 10 – Aplicações contra-intuitivas, para liberar a imaginação: visão WiFi; tradução não-supervisionada, criação artística original, etc. 11 – Aplicações questionáveis: fake vídeos indistinguíveis da realidade; armas autônomas; inferência de orientação sexual. 12 – Limitações da IA|DL: o que DL ainda não permite fazer e quais os principais obstáculos ao seu uso. 13 – Uso crescente de IA|DL na indústria; caso Google. Riscos de IA “descontrolada”: Concentração de poder/riqueza nos controladores da IA; Desemprego em massa, podendo levar a “irrelevância” de parte da população; 14 – Manipulação ou controle da opinião em grande escala (ex. FaceBook). 15 – Como desenvolver competência técnica em IA|DL: Acesso aos cursos atuais das melhores universidades do mundo, MOOCs; Grupos de Estudo em Brasília; Desenvolvimento de projetos piloto; Consultoria, Start ups e inovação. 16 – Referências para continuação dos estudos, nas perspectivas: histórica & filosófica: Yuval Harari, 21 Lessons for the 21st Century; risco tecnológico da IA: Nick Bostrom, Super Intelligence; Competição geopolítica USA-China: Kai-Fu Lee, AI Super Powers; Análise econômica: Agrawal et al. Prediction Machines, The Simple Economics of AI.

Sim. Se você tiver 75% de presença.