Plano de Estudo

UFC - CiDT

14 cursos

  1. Fundamentos Matemáticos e Estatísticos da IA: Álgebra Linear (vetores, matrizes, autovalores, autovetores, decomposição em valores singulares). Cálculo (derivadas parciais, regra da cadeia, gradientes). Probabilidade e estatística (distribuições, inferência Bayesiana, estimação de máxima verossimilhança).

  2. Fundamentos de Banco de Dados: Modelagem de dados (conceitual e lógico). Modelo relacional, álgebra relacional e SQL. Bancos de dados não-relacionais (NoSQL): documento, chave-valor, coluna, grafo e vetor.
    https://www.alura.com.br/artigos/modelagem-de-dados
    https://www.alura.com.br/artigos/mer-e-der-funcoes

  3. Processamento de Dados em Larga Escala: Conceitos e arquiteturas de Big Data (Data Lakes, Data Warehouses ). Ferramentas de processamento distribuído (MapReduce, Apache Spark). Processamento de dados em lote (batch) e em tempo real (streaming).
    https://www.alura.com.br/artigos/big-data
    https://www.alura.com.br/artigos/databricks-o-que-e-para-que-serve

  4. Análise Exploratória e Mineração de Dados: Descoberta de Conhecimento em Bases de Dados (KDD). Técnicas de pré-processamento de dados: limpeza, integração, transformação e redução de dimensionalidade. Detecção de outliers. Métodos estatísticos descritivos (medidas de tendência central, dispersão, correlação). Análise univariada (média, histograma, boxplot, teste de normalidade) e multivariada (correlação, PCA, regressão simples, regressão múltipla, etc). Técnicas de tratamento de dados ausentes.
    https://www.alura.com.br/artigos/guia-sobre-data-mining
    https://www.alura.com.br/artigos/estatistica-descritiva

  5. Visualização de Dados: Princípios de design visual e percepção. Tipos de gráficos (barras, linhas, dispersão, histograma, boxplot). Marcas e canais. Abstração de Dados. Abstração de Tarefas. Visualização de dados tabulares. Visualização de dados espaciais. Visualização de redes e árvores. Mapeamento de cor. Estratégias para lidar com complexidade em visualizações. Ferramentas de visualização (ex: Matplotlib, Seaborn, Tableau, Plotly). Criação de dashbods interativos.
    https://www.alura.com.br/artigos/data-visualization-conhecendo-bibliotecas-python
    https://www.alura.com.br/artigos/analise-de-dados-analisando-minha-distribuicao-com-tres-alternativas-de-visualizacao
    https://www.alura.com.br/artigos/analise-de-dados-media-ou-visualizar-a-distribuicao

  6. Aprendizado Supervisionado: Algoritmos de regressão e classificação: Naive Bayes, Regressão Linear, Regressão Logística, K-NN, Árvores de Decisão, técnicas de ensemble (Bagging, Boosting, Stacking) Random Forests, Gradient Boosting, SVM. Métricas de avaliação: MSE, RMSE, R² , Acurácia, Precisão, Recall, F1, Curva ROC.
    https://www.alura.com.br/artigos/problemas-resolvidos-algoritmos-classificacao
    https://www.alura.com.br/artigos/machine-learning-tecnicas-bagging-boosting
    https://www.alura.com.br/artigos/quais-sao-tipos-aprendizagem-ia-inteligencia-artificial

  7. Aprendizado Não Supervisionado: Algoritmos de Agrupamento (K-Means, DBSCAN, Agrupamento Hierárquico). Algoritmos de Redução de Dimensionalidade (PCA, t-SNE). Regras de Associação (Apriori). Detecção de anomalias. Estimativa de densidades.
    https://www.alura.com.br/artigos/machine-learning-aprendizado-semi-supervisionado

  8. Aprendizado Profundo (Deep Learning): Fundamentos de Redes Neurais Artificiais (MLP, Backpropagation). Arquiteturas avançadas: Redes Convolucionais(CNNs), Redes Recorrentes (RNNs, LSTMs). Modelos Transformer e IA Generativa (GANs, VAEs).

  9. Aprendizado por Reforço: Componentes (agente, ambiente, estado, ação, recompensa). Processos de Decisão de Markov (MDPs). Equações de Bellman. Algoritmos baseados em valor (Q-Learning, SARSA) e baseados em política (Policy Gradients).

  10. MLOps (Operacionalização de Modelos): Ciclo de vida de modelos de aprendizado de máquina. Integração Contínua (CI), Entrega Contínua (CD) e Treinamento Contínuo (CT). Versionamento dedados e modelos (DVC, MLflow). Monitoramento, detecção de deriva (drift) e re-treinamento de modelos em produção. Reprodutibilidade, rastreabilidade e governança de modelos. Automação de pipelines

Criado por andreaferreiraoliveira

47.1k xp

Inscreva-se agora

Última atualização em

23/11/2025

O que é este plano de estudo?

Planos de estudo são sequências de cursos e outros conteúdos criados por alunos e alunas da Alura para organizar seus estudos. Siga planos que te interessem ou crie o seu próprio.

Passo a passo

  1. 1

    Conteúdo do plano

Excluir Trilha de Estudos?

Ao excluir, você não não conseguirá mais visualizar e acessar a Trilha de Estudos criada por você