Estatística e Análise de Dados:

• Realizar análises exploratórias em conjuntos de dados;
• Interpretar a distribuição de dados e conduzir testes de hipóteses;
• Criar gráficos e visualizações de dados adequadas a cada situação.

Programação e Projetos:

• Linguagem de programação Python;
• Bibliotecas de Python voltadas a Ciência de Dados e Aprendizado de Máquina, como numpy, scipy, notebooks (jupyter e Kaggle), scikit-learn, Keras, nltk, gensim, spacy entre outros;
• Como utilizar as ferramentas para tratar dados, como filtrar, reordenar, realizar buscas, limpar dados inválidos, entre outros;
• Criação de scripts para treinar e testar modelos de aprendizado de máquina.

Big Data:

• Como utilizar bancos de dados Não relacionais (NoSQL) baseados em documentos ou grafos;
• Fundamentos e configuração do ecosistema Hadoop;
• Como coletar dados abertos em websites e redes sociais como Facebook e Twitter.

Aprendizado de Máquina / Inteligência Artificial: 

• Problemas práticos de aprendizado supervisionado (classificação e regressão) e não supervisionado (clusterização). Como conduzir experimentos de forma apropriada, interpretar os resultados, resolver problemas ou otimizar os modelos;
• O aluno irá estudar os algoritmos mais tradicionais: Naive Bayes, Regressão Linear, Regressão Logística, K-Vizinhos, K-Means, Redes Neurais e SVM;
• Técnicas de deep learning (aprendizado profundo): redes neurais profundas, backpropagation, descida do gradiente, redes recorrentes e redes LSTM, redes convolucionais, problemas de classificação e regressão. Problemas voltados a visão computacional e ao processamento de linguagem natural;
• Técnicas voltadas ao processamento de linguagem natural e text mining que podem ser aplicadas a análise de sentimentos, extração de informação em texto não estruturado, sistemas de busca e recomendação de textos similares, desenvolvimento de chatbots, geração automática de texto, entre outros.