A jornada começa pela base de programação necessária para atuar com dados e IA. Nesta sprint, o aluno desenvolve familiaridade com Python, lógica básica, estruturas fundamentais e primeiros passos com Pandas, conectando a aprendizagem a um primeiro estudo de caso aplicado.

O foco passa a ser o trabalho com dados reais e imperfeitos: leitura, limpeza, transformação, visualização e análise exploratória. A sprint fortalece a capacidade de preparar dados para análises mais consistentes e para etapas posteriores de modelagem.

Esta sprint introduz a lógica de bancos de dados relacionais e o uso de SQL para consulta e extração de dados. O aluno aprende a navegar entre Python e SQL como partes complementares do trabalho analítico.

Para atuar com dados e IA de forma profissional, é necessário dominar também o ambiente técnico de desenvolvimento. Nesta sprint, o aluno desenvolve familiaridade com linha de comando, versionamento e documentação.

A sprint desenvolve a base estatística que sustenta análises e modelos mais robustos. O aluno trabalha com estatística descritiva, probabilidade e testes de hipótese para interpretar dados com maior rigor.

A sprint aprofunda conceitos matemáticos fundamentais para a compreensão de algoritmos de machine learning. O foco é desenvolver entendimento aplicado, e não apenas abstrato, das estruturas matemáticas que sustentam a modelagem.

Primeira consolidação do programa, integrando os fundamentos de programação, manipulação de dados, SQL e estatística em um desafio aplicado.

O aluno entra no núcleo de machine learning, aprendendo os fundamentos de construção, treinamento e avaliação de modelos com bibliotecas amplamente utilizadas no mercado.

Nesta sprint, o aluno conecta machine learning a problemas reais de negócio, entendendo como métricas, testes e contexto operacional influenciam o valor de uma solução.

A sprint aprofunda problemas supervisionados de classificação e regressão, cobrindo preparação de dados, métricas adequadas e técnicas para cenários com classes desbalanceadas.

O aluno aprende a lidar com problemas sem rótulos, utilizando abordagens de agrupamento e detecção de anomalias para identificar padrões relevantes em dados.

O foco aqui é transformar dados brutos em sinais mais relevantes para a modelagem, selecionar melhores representações e otimizar o desempenho de modelos.

A sprint introduz algoritmos numéricos e técnicas mais avançadas relevantes para machine learning, incluindo otimização e explicabilidade de modelos.

A sprint introduz problemas de previsão com dados sequenciais, desenvolvendo a capacidade de analisar tendência, sazonalidade e comportamento temporal.

O aluno entra em aplicações com dados textuais, explorando técnicas introdutórias de NLP e representações de linguagem aplicadas a problemas reais.

A sprint apresenta fundamentos de visão computacional com redes neurais, ampliando o repertório técnico do aluno para problemas baseados em imagem.

Após construir uma base sólida em dados e modelagem, o aluno entra no universo de GenAI com foco em fundamentos, comparação de ferramentas e aplicações em fluxos de trabalho.

A sprint introduz LLMs, seus limites e potencial, além de aplicações iniciais com IA, incluindo construção de chatbots e primeiros protótipos com ferramentas e frameworks do ecossistema.

A jornada culmina em um projeto aplicado que exige integração das principais competências do programa: preparação de dados, escolha da abordagem analítica, modelagem, avaliação, interpretação e comunicação de resultados.

Aprenda a liderar o crescimento e a expansão de negócios em um cenário global. Desenvolva uma visão executiva capaz de transformar o planejamento estratégico em resultados concretos. Aprofunde sua expertise na análise e gestão financeira, consolide a presença da marca no mercado global utilizando táticas avançadas de marketing, branding e inovação. Domine processos para superar os desafios de escalar operações de forma sustentável.

Aprenda a aplicar os fundamentos de machine learning para resolver problemas reais de negócio, construindo soluções completas desde a preparação dos dados até o treinamento, avaliação e deploy de modelos. Explore dados, crie features e treine modelos com ferramentas como Amazon SageMaker. Aplique machine learning em cenários práticos, como previsão de séries temporais, análise de imagens e processamento de linguagem natural, desenvolvendo uma visão prática e orientada à implementação de soluções de inteligência artificial.

Aprenda a usar APIs para machine learning e construa serviços web com modelos de ML usando Flask e FastAPI. Gerencie modelos e aplique boas práticas de design de API.