Conceitos Básicos de Estatística Descritiva e Inferencial;

Probabilidade e Distribuições de Probabilidade;

Amostragem e Estimação de Parâmetros;

Importância do Pré-processamento de Dados em Ciência de Dados;

Limpeza de Dados: Tratamento de Dados Ausentes, Outliers e Dados Duplicados;

Normalização e Padronização de Dados;

Introdução à Linguagem de Programação Python;

Bibliotecas Fundamentais para Ciência de Dados: NumPy, Pandas e Matplotlib;

Manipulação de Dados em Python: Leitura, Escrita e Operações Básicas;

Aprendizado Supervisionado: Regressão e Classificação;

Algoritmos: Regressão Linear, Regressão Logística, K-Vizinhos Mais Próximos (KNN), Árvores de Decisão, etc;

Aprendizado Não Supervisionado: Clusterização e Associação;

Algoritmos: K-Means, DBSCAN, Algoritmos de Associação (Apriori);

Introdução ao Aprendizado de Máquina:

Definição de Aprendizado de Máquina e suas Aplicações

Tipos de Aprendizado: Supervisionado, Não Supervisionado e Semi-Supervisionado

Avaliação de Modelos de Aprendizado de Máquina: Métricas de Desempenho e Métodos de Validação

Regressão:

Conceitos Fundamentais de Regressão

Regressão Linear Simples e Múltipla

Regressão Logística e Outros Modelos de Regressão

Avaliação de Modelos de Regressão: MSE, R², etc.

Classificação:

Conceitos Básicos de Classificação

Algoritmos de Classificação: Árvores de Decisão, K-Vizinhos Mais Próximos (KNN), Naive Bayes, SVM, etc.

Avaliação de Modelos de Classificação: Precisão, Recall, F1-Score, Curva ROC, etc.

Clusterização:

Conceitos de Clusterização e Agrupamento de Dados

Algoritmos de Clusterização: K-Means, DBSCAN, Agrupamento Hierárquico, etc.

Avaliação de Modelos de Clusterização: Índices de Validade de Cluster, como Índice de Davies-Bouldin e Silhueta

Processo de Mineração de Dados: Preparação, Modelagem, Avaliação e Implantação;

Técnicas de Redução de Dimensionalidade: Análise de Componentes Principais (PCA), T-SNE, etc;

Análise Exploratória de Dados Avançada com Pandas e Seaborn.

Métodos de Avaliação de Desempenho de Modelos: Precisão, Recall, F1-Score, Curva ROC, etc;

Técnicas de Validação Cruzada e Otimização de Hiperparâmetros;

Seleção de Características: Métodos Univariados e Multivariados;

Introdução às Redes Neurais Artificiais (ANNs);

Arquiteturas de Redes Neurais Profundas: Redes Neurais Convolucionais (CNNs), Redes Neurais Recorrentes (RNNs), Redes Neurais Generativas Adversariais (GANs);

Aplicações de Deep Learning em Reconhecimento de Imagens, Processamento de Áudio, etc.

Fundamentos do Processamento de Linguagem Natural;

Modelos de Linguagem e Word Embeddings;

Técnicas Avançadas em NLP: Modelos de Tradução Automática, Sumarização de Texto, Question Answering;

Introdução à Visão Computacional e Análise de Imagens;

Detecção e Segmentação de Objetos;

Reconhecimento Facial, Classificação de Imagens, etc;

Conceitos Básicos de Reinforcement Learning;

Algoritmos de Aprendizado por Reforço: Q-Learning, Policy Gradient Methods, etc;

Aplicações de Reinforcement Learning em AI;