Introdução ao Data Science:

• Fundamentos de Data Science: dados, análises, linguagens e tecnologias.
• Primeiros passos no Data Science: fundamentos de Python aplicados à análise de dados, coleta, limpeza, transformação e visualização de dados.
• Noções essenciais de Machine Learning: regressão, classificação e avaliação de modelos.
• Introdução a bancos SQL/NoSQL e análise em ambiente de nuvem.

Introdução à Inteligência Artificial

• Fundamentos de Inteligência Artificial: Conceitos de IA, ML e DL, aplicações práticas e ética no uso da tecnologia.
• Primeiros passos na preparação de dados para IA: importação, limpeza e análise exploratória com Python.
• Noções essenciais de IA: Criação e avaliação dos primeiros modelos supervisionados e não supervisionados.
• Visualização de métricas e interpretação de resultados.

• Fundamentos de Programação em Python: Sintaxe, estruturas de controle de fluxo, funções, manipulação de listas e dicionários, modularização e introdução a bibliotecas essenciais para análise de dados.
• Manipulação e Limpeza de Dados: Importação e exportação de dados, DataFrames, tratamento de dados ausentes, transformação, padronização e preparação de conjuntos de dados para análises.
• Análise Exploratória de Dados e Big Data: Construção de gráficos, identificação de padrões e insights, uso de bibliotecas como Matplotlib, Seaborn e ferramentas combinadas para entender distribuições e correlações.
• Armazenamento e Estrutura de Dados: Introdução a conceitos de Big Data, bancos NoSQL, armazenamento distribuído e integração com ambientes modernos de dados.

• Fundamentos da Análise Preditiva: Tipos de problemas preditivos, coleta e preparação de dados, normalização, codificação categórica e separação de conjuntos de treino e teste.
• Modelagem com Machine Learning: Implementação de algoritmos supervisionados e não supervisionados, engenharia de variáveis, escolha de modelos e criação de pipelines.
• Validação e Métricas de Desempenho: Avaliação de modelos com métricas apropriadas, validação cruzada, análise de resíduos, explicabilidade e interpretação de resultados.
• Relatórios, Documentação e Entrega Técnica Geração de gráficos, relatórios comparativos e documentação técnica voltada ao uso prático dos modelos preditivos em ambiente produtivo.

• Fundamentos do SQL: Conceitos de bancos relacionais, estrutura de tabelas, comandos avançados e modelagem.
• Consultas Avançadas: Funções agregadas, subconsultas, joins, união de tabelas e técnicas de otimização.
• Introdução ao NLP: Conceitos básicos de Processamento de Linguagem Natural e suas principais aplicações em Data Science.
• Técnicas e Ferramentas de NLP: Tokenização, stemming, lematização e análise de sentimentos usando bibliotecas especializadas.

• Fundamentos do Deep Learning: Conceitos básicos de redes neurais, arquiteturas comuns e diferenças em relação ao machine learning tradicional.
• Frameworks e Implementação: Primeiros passos com ferramentas de construção e treino de modelos de deep learning.

• Fundamentos de Detecção de Fraudes: Padrões, anomalias e impactos em diferentes setores.
• Modelos de Detecção: Construção e aplicação de modelos preditivos voltados à identificação de fraudes.
• Conceitos de Integração de IA: Introdução às técnicas e ferramentas utilizadas para integrar modelos de inteligência artificial com conjuntos de dados em tempo real.
• Integração de IA com Dados Reais: Estratégias de ingestão e monitoramento para análise em tempo real.
• Pipelines de Dados Estruturação de fluxos eficientes para preparação, validação e disponibilização de dados para modelos de IA.

• Fundamentos de Chatbots: Conceitos principais, aplicações e tecnologias que sustentam sistemas conversacionais.
• Desenvolvimento de Chatbots: Criação de fluxos inteligentes, uso de plataformas e frameworks e integração com sistemas externos.