Pós-Graduação EAD em Engenharia de Dados e Machine Learning - 720 Horas

Capacitar o profissional para projetar e implementar arquiteturas e pipelines de dados escaláveis, usando bancos relacionais e NoSQL, processamento distribuído e ferramentas modernas de orquestração. Desenvolver competências em análise estatística e machine learning para construir, avaliar e colocar em produção modelos preditivos e soluções de inteligência artificial. Preparar o profissional para atuar com governança, qualidade e segurança de dados, em conformidade com a LGPD e com os princípios éticos e regulatórios da inteligência artificial.

Dados são hoje um dos ativos mais valiosos das organizações, mas só geram valor quando são bem coletados, organizados, processados e transformados em modelos e decisões. A pós-graduação em Engenharia de Dados e Machine Learning forma profissionais capazes de atuar em todo esse ciclo: da construção da infraestrutura de dados à aplicação de modelos de machine learning em produção. O curso aborda Big Data, modelagem e bancos de dados relacionais e NoSQL, processamento distribuído com Hadoop e Spark, streaming, estatística aplicada e machine learning, incluindo redes neurais, processamento de linguagem natural e visão computacional. Também trata de MLOps, Python para dados, pipelines de ETL e ELT, arquiteturas de Data Lakehouse e orquestração com Airflow. A formação se completa com governança de dados e IA, ética, LGPD e o marco regulatório da inteligência artificial, preparando o profissional para construir soluções eficientes, escaláveis e responsáveis.

Conheça o conteúdo do curso Engenharia de Dados e Machine Learning

Grade do curso

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 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 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 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 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 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 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 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 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 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 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 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
*Engenharia de Dados e Machine Learning* 720hrsbbbbbb*Módulo 1: Introdução ao Big Data e Engenharia de Dados*bbb*Módulo 2: Modelagem e Bancos de Dados Relacionais*bbb*Módulo 3: Bancos NoSQL e Dados Distribuídos*bbb*Módulo 4: Processamento Distribuído e Streaming*bbb*Módulo 5: Preparação e Análise Exploratória de Dados*bbb*Módulo 6: Estatística e Probabilidade para Modelagem*bbb*Módulo 7: Fundamentos de Machine Learning*bbb*Módulo 8: Redes Neurais, PLN e Visão Computacional*bbb*Módulo 9: MLOps e Modelos em Produção*bbb*Módulo 10: Python para Engenharia de Dados e ML*bbb*Módulo 11: Pipelines de Dados: ETL/ELT, Data Lakehouse e Orquestração*bbb*Módulo 12: Governança, Ética e Regulação de Dados e IA*bbbbbbVocê pode visualizar a grade completa em https://www.estudesemfronteiras.com/pos-graduacao-ead/tecnologia/engenharia-de-dados-e-machine-learning-720-horas

Cada unidade de aprendizagem é composta por uma apresentação; um capítulo de livro; uma dica do professor, que poderá ser uma videoaula; 1 quiz com 5 questões de múltipla escolha com o objetivo de promover melhor fixação de cada conteúdo, links e materiais complementares. Observa-se que o quiz não possuem caráter avaliativo, ou seja, não comporão sua nota para a certificação. Como avaliação, cada módulo contará com uma prova de 5 questões de múltipla escolha que valerá 10 pontos, sendo necessário atingir a nota mínima 6 para aprovação. Caso o aluno não obtenha essa nota na primeira tentativa, uma nova chance é disponibilizada. Por fim, se ainda na segunda tentativa o aluno for reprovado, ele poderá realizar uma nova tentativa mediante ao pagamento de uma taxa.

Esta pós-graduação é voltada para profissionais de Tecnologia da Informação, desenvolvedores, analistas de dados e de sistemas, administradores de banco de dados, engenheiros, estatísticos, cientistas da computação e demais profissionais que desejam atuar ou se especializar em engenharia de dados, ciência de dados e inteligência artificial.