Pós-Graduação em Applied Artificial Intelligence & Machine Learning

Applied Artificial Intelligence & Machine Learning

Porquê a Pós-Graduação em

Applied Artificial Intelligence & Machine Learning?

As novas tecnologias e um perfil de interação e compra mais digital criaram enormes desafios em todos os setores de atividade, promovendo a necessidade de ter profissionais especializados no tratamento de dados, Inteligência Artificial e Machine Learning.

Desde a banca, finanças e seguros, à cibersegurança, cuidados de saúde e meios de comunicação social, entre outros setores, a Inteligência Artificial e o Machine Learning podem provocar a disrupção que assegura uma vantagem competitiva ímpar. É, portanto, necessário que cientistas dos dados, engenheiros, analistas de dados e de previsão, gestores, decisores, analistas financeiros e outros profissionais adquiram competências para desenvolverem o seu trabalho com algoritmos de aprendizagem automática, que permitam extrair padrões, classificar e obter previsões de grandes coleções de dados.

A Inteligência Artificial e o Machine Learning utilizam modelos de aprendizagem supervisionada e não supervisionada para resolver problemas complexos e maximizar o valor de mercado das organizações, nomeadamente em áreas como:

Deteção de fraude

Recomendação de clientes

Previsão de rotatividade de clientes

Credit scoring

Chatbots em tempo real

Análise financeira

Previsão de séries temporais

Reconhecimento e classificação de imagens

Extração de informação

Apoio à decisão e eficiência dos negócios

A Pós-Graduação em Applied Artificial Intelligence & Machine Learning visa promover a compreensão da teoria e prática de Machine Learning, enquanto solução para os novos desafios de transformação dos negócios. Sendo para esse efeito fundamental a parceria com a Amazon Web Services, que permite o acesso às suas infraestruturas tecnológicas, de modo a que os participantes possam desenvolver um projeto de Machine Learning end-to-end ao longo do programa de formação com aplicação em contexto empresarial.

Enquanto Pós-Graduação em formato blended learning, este programa inclui três momentos de formação presencial no ISEG, ao longo de todo o programa. Estas sessões terão lugar nos seguintes momentos:

Fim-de-semana de abertura

A meio do programa

No final do programa, no momento de apresentação dos projetos desenvolvidos pelos participantes

As restantes sessões online terão lugar duas noites por semana, às segundas e quartas-feiras.

Os participantes são acompanhados durante este processo por tutores, cujo principal papel é apoiar o seu processo de aprendizagem e aquisição de competências.

Destinatários

Profissionais e investigadores que trabalham ou planeiem trabalhar em business analytics e projetos de artificial intelligenceData Analysts

Data Analytics

Data Scientists

Business Analysts

HR Analysts

Marketing Analysts

Product Analysts

Forecast Analysts

IT Analysts

Machine Learning Scientists

Objetivos

Compreender onde e como utilizar algoritmos de machine learning na sua organização;

Analisar e preparar dados para projetos de machine learning;

Aprender os conceitos fundamentais de programação em Python;

Compreender e resolver problemas de regressão e classificação;

Aprender sobre os principais algoritmos supervisionados e não supervisionados em machine learning;

Prever dados de séries temporais com tendências, sazonalidade e outros movimentos característicos;

Construir e treinar redes neurais para o processamento de imagens e linguagem natural;

Utilizar algoritmos de deep learning em vião computacional e reconhecimento de padrões;

Aprender a construir um projeto de machine learning end-to-end;

Implementar um modelo de machine learning num ambiente empresarial.

Coordenação

Jorge Caiado

Jorge Caiado é doutorado em Matemática Aplicada à Economia e à Gestão. É Professor de Análise de Dados em Finanças, Econometria e Métodos de Previsão no Instituto Superior de Economia e Gestão (ISEG) e Investigador no Centro de Matemática Aplicada e Economia. Foi investigador convidado no Departamento de Estatística da Universidade Carlos III em Madrid (Espanha) e professor convidado no ISEGI Nova Lisbon School. A sua investigação em econometria, finanças, análise de séries temporais, métodos de previsão e software estatístico levou a numerosas publicações em revistas e livros científicos. É consultor e formador em data science para muitas empresas e organizações, incluindo bancos centrais, bancos comerciais e de investimento, bolsas de valores e comissões de mercados de capitais, gabinetes de estatística e de estudos económicos, empresas de transporte e logística, empresas na área da saúde e companhias de seguros. É também co-fundador e sócio da GlobalSolver - uma startup tecnológica que trabalha com AI, Machine Learning & Big Data. Primeiro lugar do Prémio SICO2007 atribuído pela Spanish IEEE Computational Intelligence Society.

Eliano Marques

Eliano Marques possui um Mestrado em Econometria Aplicada e Previsão do Instituto Superior de Economia e Gestão (ISEG) da Universidade de Lisboa e é, atualmente, o Vice-Presidente Executivo da Data & AI na Protegrity - uma empresa especializada em Privacidade e Segurança de Dados. Juntou-se à Protegrity dos Emirados, onde foi VP para a Data Science, antes de desempenhar diferentes funções globais de AI na Think Big Analytics, Teradata e Deloitte UK. É executivo da Data Science com experiência no estabelecimento de capacidades de AI, Data & Analytics em empresas de muitas indústrias e geografias em todo o mundo. É também um líder tecnológico, capaz de construir soluções de AI de raiz lado a lado com Data Scientists e Engenheiros. Concebeu e construiu soluções de AI em grande escala em tempo real que potenciam a Machine/Deep Learning no seu núcleo, desde o laboratório até à produção em todas as grandes clouds.

Docentes

Carlos Daniel Santos

Carlos Daniel Santos é Professor Auxiliar de Economia no ISEG. Os seus principais interesses são a produtividade, dinâmica da indústria, mercados de clientes, ciência de dados, e organização industrial. O seu trabalho tem sido publicado em algumas revistas importantes, tais como The Economic Journal, The Journal of Business & Economic Statistics, e Regional Science and Urban Economics. É doutorado pela LSE e foi anteriormente professor auxiliar na Universidade de Alicante, Universidade de Tilburg e Faculty Fellow no MIT. O seu trabalho recebeu vários prémios, incluindo o EARIE Young Economist Essay Award e o ZEW Heinz Konig Young Scholar Award.

Miguel Ribeiro

Miguel Ribeiro é Chief Technology Officer e Co-founder da GlobalSolver. Tem um MBA em Gestão e Liderança. Tem mais de 25 anos de experiência como consultor tecnológico sénior em Portugal e no Reino Unido (Timberlake Consultants, Deloitte, Accenture e Pioneer) nas áreas de machine learning, artificial intelligence, neural network e deep learning, computer vision e speech recognition, desenvolvimento web e mobile. Foi galardoado com o 2.º lugar no prémio Jaime Filipe, da Segurança Social Portuguesa, que envolveu a integração de cidadãos deficientes utilizando ferramentas de software. É o Co-inventor (com Jorge Caiado) da USPatent “Digital method of centralizing, optimizing and negotiating purchases”.

Diogo Silva

Diogo Silva é mestre em Engenharia Eletrotécnica, com foco em Computadores e Controlo. É membro do Centro de Investigação da Academia da Força Aérea, como engenheiro para a investigação, onde está responsável pela componente computacional dos vários projectos do CIAFA e pela orientação de dissertações de mestrado no âmbito da engenharia de software, visão computacional e controlo. É docente de Programação e Cyber Warfare na Academia da Força Aérea.

André Castro

André Castro é licenciado em Economia pelo ISEG. Atualmente, trabalha como "Manager, Secure AI Products" na Protegrity Europe Limited, desenvolvendo produtos de Secure AI para aplicação em diversas indústrias. No passado, trabalhou como consultor no desenvolvimento de sistemas de decisão com base em aprendizagem automática para algumas das maiores empresas portuguesas. É co-inventor das patentes U.S. Application No. 63/432,804, "Estimating Success of Membership Inference Attacks on Synthetic Data", 15/12/2022 (patent pending) e U.S. Application No. 63/432,808, "Probabilistic Quasi-Identifier Dataset Recommendations", 15/12/2022 (patent pending).

Enquanto Pós-Graduação em formato blended learning, este programa inclui três momentos de formação presencial no ISEG, ao longo de todo o programa. Estas sessões terão lugar nos seguintes momentos:

- Fim-de-semana de abertura;

- A meio do programa;

- No final do programa, no momento de apresentação dos projetos desenvolvidos pelos participantes.

As restantes sessões online terão lugar duas noites por semana, às segundas e quartas-feiras.Os participantes são acompanhados durante este processo por tutores, cujo principal papel é apoiar o seu processo de aprendizagem e aquisição de competências.

Conheça os casos práticos

Casos práticos apresentados aos participantes da 1ª edição, para o projeto aplicado

Tutores

Para além das aulas, os participantes podem contar com o apoio de tutores, profissionais especializados com experiência de campo nos principais tópicos abordados. A sua função será acompanhar o percurso dos participantes, esclarecendo dúvidas, apoiando o auto-estudo, e dando conselhos bibliográficos relevantes.

Programa

Preparação do ambiente (instalar o Python, editor de texto, linha de comandos)

Conceitos fundamentais

Tratamento de erros (debugging, traceback, excepções)

Código externo (import, criar módulos, pip)

orientada a objectos: perspectiva de utilizador

Key Details

CALENDÁRIO

3 de março de 2023

HORÁRIO

Segundas e Quartas-feiras, das 18h30 às 20h30

DURAÇÃO

140 horas (44h presenciais e 96h online)

VALOR

4 500€

Este valor inclui:

Apoio dos tutores ao longo do programa; Acesso a uma plataforma onde será disponibilizada a documentação de apoio em formato digital; Jantares, coffee-breaks e acesso ao parque de estacionamento do ISEG durante o horário das aulas e exames;

Protocolo com dois hotéis próximos do Campus; Kit de boas-vindas;

Diploma final de curso.