O teu percurso de Data Science & AI Engineer começa aqui!
Neste Mini Bootcamp de 2 dias vais perceber como a Data Science e a Inteligência Artificial permitem transformar informação em soluções reais e estratégicas. Aprende a pensar como um Data & AI Engineer — a explorar dados, criar modelos, interpretar resultados — e a aplicar tecnologia para gerar impacto nos negócios e na sociedade. Uma introdução prática e inspiradora ao universo de Data Science, Machine Learning e visão computacional.
Sobre o curso
Data Science & AI Fundamentals
Este bootcamp de 2 dias é uma imersão prática no mundo da Data Science e Inteligência Artificial, onde dados ganham significado e decisões ganham poder.
Ao longo de dois dias intensivos, vais descobrir como transformar dados em insights estratégicos e como a IA pode ser aplicada a projetos reais.
Através de exemplos práticos, exercícios hands-on e reflexão sobre impacto e ética, vais compreender:
O que é Data Science e por que é essencial no mercado atual
Como analisar, visualizar e interpretar diferentes tipos de dados
Conceitos básicos de Machine Learning, Deep Learning e visão computacional
Como treinar modelos de IA sem necessidade de programação avançada
Como comunicar insights de forma clara e estratégica
Mais do que aprender conceitos, vais experienciar o poder dos dados na prática, desenvolver pensamento analítico e sentir como a tecnologia pode transformar problemas em oportunidades. Uma experiência pensada para despertar a curiosidade, o pensamento crítico e a vontade de explorar o universo da Data Science e IA.
Objetivos
Objetivos:
Compreender e aplicar métodos de ciência de dados em cenários reais.
Aprender os fundamentos de Python para análise, visualização e modelagem de dados.
Trabalhar com diferentes tipos de dados: estruturados e não estruturados.
Explorar modelos de Machine Learning supervisionados e não supervisionados.
Conhecer conceitos e ferramentas de Inteligência Artificial e automação.
Desenvolver um projeto prático de visão computacional com apresentação de resultados de impacto estratégico.
programa
Conteúdo programático
1
Day 01
8
h
1. O que é Data Science e as suas aplicações no mercado
Introdução ao conceito de Ciência de Dados e à sua importância estratégica no mercado atual.
1.1 Quarta Revolução Industrial e o Dilúvio de dados
Explica o crescimento exponencial de dados e como este fenómeno está a transformar a indústria e a sociedade.
1.2 O que é Big Data e o poder preditivo dos dados
Apresenta o conceito de Big Data e como a análise de grandes volumes de dados permite prever tendências e apoiar decisões.
1.3 Cenário nacional e internacional: oportunidades e tendências
Explora o mercado de trabalho, áreas de aplicação e tendências globais e nacionais em Ciência de Dados.
1.4 O impacto da ciência de dados em diferentes setores
Demonstra casos práticos de aplicação de Ciência de Dados em setores como saúde, finanças, marketing e tecnologia.
2. Pensamento Analítico e Problem Solving com Dados
Este módulo foca no desenvolvimento do raciocínio crítico e analítico, essencial para abordar problemas com dados de forma estruturada e eficaz.
2.1 Da Revolução Científica ao Método Científico
Apresenta a evolução do pensamento científico e como o método científico fundamenta a análise de dados atual.
2.2 Senso comum vs. método científico
Destaca as diferenças entre conclusões intuitivas e decisões baseadas em dados, reforçando a importância da abordagem científica.
2.3 O que é Ciência de Dados e por que estudá-la
Define a Ciência de Dados e explica o valor de dominar esta área para profissionais de diferentes setores.
2.4 O papel da curiosidade e da experimentação
Mostra como a curiosidade, a observação e a experimentação são motores essenciais para descobrir insights relevantes.
2.5 Carreira e evolução contínua em Data Science
Aborda oportunidades de carreira, habilidades em demanda e a importância da aprendizagem contínua na área de Data Science.
3. Tipos de Dados, Fontes e Qualidade
Este módulo apresenta os diferentes tipos de dados, como obtê-los e como garantir a sua qualidade e integridade para análises confiáveis.
3.1 Dados estruturados, semi-estruturados e não estruturados
Explica as categorias de dados e suas características, indicando onde são mais utilizados.
3.2 Internet das Coisas (IoT) e geração de dados
Mostra como dispositivos conectados geram grandes volumes de dados e seu papel em análises modernas.
3.3 Fontes de dados (reais, datasets e recolha própria)
Apresenta diferentes fontes de dados, incluindo datasets públicos, dados corporativos e métodos de coleta própria.
3.4 Qualidade e integridade dos dados
Ensina a avaliar a confiabilidade dos dados e como manter padrões de qualidade para análises precisas.
3.5 Exemplos práticos de aplicações em Data Science
Demonstra aplicações reais, ilustrando como diferentes tipos de dados são usados para gerar insights e apoiar decisões.
4. Introdução à Ciência de Dados
Este módulo oferece uma visão geral da Ciência de Dados, incluindo os perfis profissionais, oportunidades de mercado e ferramentas essenciais para atuar na área.
4.1 Perfis de profissionais: cientistas e trabalhadores de dados
Diferencia os papéis de cientistas de dados, analistas e outros profissionais que trabalham com dados, explicando responsabilidades e competências.
4.2 O papel do cientista de dados no mercado atual
Aborda a importância estratégica do cientista de dados, suas funções e a relevância no contexto corporativo e tecnológico.
4.3 Plataformas e oportunidades (Kaggle, DrivenData, etc.)
Apresenta plataformas de competição e aprendizagem prática, destacando oportunidades para desenvolvimento de habilidades e portfólio.
4.4 Ferramentas essenciais e boas práticas
Mostra as ferramentas mais usadas em Ciência de Dados e boas práticas para análise, manipulação e apresentação de dados.
5. Visualização de Dados & Storytelling
Este módulo ensina como transformar dados em informações visuais e comunicar insights de forma clara e persuasiva.
1
Day 01
8
h
1. O que é Data Science e as suas aplicações no mercado
Introdução ao conceito de Ciência de Dados e à sua importância estratégica no mercado atual.
1.1 Quarta Revolução Industrial e o Dilúvio de dados
Explica o crescimento exponencial de dados e como este fenómeno está a transformar a indústria e a sociedade.
1.2 O que é Big Data e o poder preditivo dos dados
Apresenta o conceito de Big Data e como a análise de grandes volumes de dados permite prever tendências e apoiar decisões.
1.3 Cenário nacional e internacional: oportunidades e tendências
Explora o mercado de trabalho, áreas de aplicação e tendências globais e nacionais em Ciência de Dados.
1.4 O impacto da ciência de dados em diferentes setores
Demonstra casos práticos de aplicação de Ciência de Dados em setores como saúde, finanças, marketing e tecnologia.
2. Pensamento Analítico e Problem Solving com Dados
Este módulo foca no desenvolvimento do raciocínio crítico e analítico, essencial para abordar problemas com dados de forma estruturada e eficaz.
2.1 Da Revolução Científica ao Método Científico
Apresenta a evolução do pensamento científico e como o método científico fundamenta a análise de dados atual.
2.2 Senso comum vs. método científico
Destaca as diferenças entre conclusões intuitivas e decisões baseadas em dados, reforçando a importância da abordagem científica.
2.3 O que é Ciência de Dados e por que estudá-la
Define a Ciência de Dados e explica o valor de dominar esta área para profissionais de diferentes setores.
2.4 O papel da curiosidade e da experimentação
Mostra como a curiosidade, a observação e a experimentação são motores essenciais para descobrir insights relevantes.
2.5 Carreira e evolução contínua em Data Science
Aborda oportunidades de carreira, habilidades em demanda e a importância da aprendizagem contínua na área de Data Science.
3. Tipos de Dados, Fontes e Qualidade
Este módulo apresenta os diferentes tipos de dados, como obtê-los e como garantir a sua qualidade e integridade para análises confiáveis.
3.1 Dados estruturados, semi-estruturados e não estruturados
Explica as categorias de dados e suas características, indicando onde são mais utilizados.
3.2 Internet das Coisas (IoT) e geração de dados
Mostra como dispositivos conectados geram grandes volumes de dados e seu papel em análises modernas.
3.3 Fontes de dados (reais, datasets e recolha própria)
Apresenta diferentes fontes de dados, incluindo datasets públicos, dados corporativos e métodos de coleta própria.
3.4 Qualidade e integridade dos dados
Ensina a avaliar a confiabilidade dos dados e como manter padrões de qualidade para análises precisas.
3.5 Exemplos práticos de aplicações em Data Science
Demonstra aplicações reais, ilustrando como diferentes tipos de dados são usados para gerar insights e apoiar decisões.
4. Introdução à Ciência de Dados
Este módulo oferece uma visão geral da Ciência de Dados, incluindo os perfis profissionais, oportunidades de mercado e ferramentas essenciais para atuar na área.
4.1 Perfis de profissionais: cientistas e trabalhadores de dados
Diferencia os papéis de cientistas de dados, analistas e outros profissionais que trabalham com dados, explicando responsabilidades e competências.
4.2 O papel do cientista de dados no mercado atual
Aborda a importância estratégica do cientista de dados, suas funções e a relevância no contexto corporativo e tecnológico.
4.3 Plataformas e oportunidades (Kaggle, DrivenData, etc.)
Apresenta plataformas de competição e aprendizagem prática, destacando oportunidades para desenvolvimento de habilidades e portfólio.
4.4 Ferramentas essenciais e boas práticas
Mostra as ferramentas mais usadas em Ciência de Dados e boas práticas para análise, manipulação e apresentação de dados.
5. Visualização de Dados & Storytelling
Este módulo ensina como transformar dados em informações visuais e comunicar insights de forma clara e persuasiva.
1
Day 01
8
h
1. O que é Data Science e as suas aplicações no mercado
Introdução ao conceito de Ciência de Dados e à sua importância estratégica no mercado atual.
1.1 Quarta Revolução Industrial e o Dilúvio de dados
Explica o crescimento exponencial de dados e como este fenómeno está a transformar a indústria e a sociedade.
1.2 O que é Big Data e o poder preditivo dos dados
Apresenta o conceito de Big Data e como a análise de grandes volumes de dados permite prever tendências e apoiar decisões.
1.3 Cenário nacional e internacional: oportunidades e tendências
Explora o mercado de trabalho, áreas de aplicação e tendências globais e nacionais em Ciência de Dados.
1.4 O impacto da ciência de dados em diferentes setores
Demonstra casos práticos de aplicação de Ciência de Dados em setores como saúde, finanças, marketing e tecnologia.
2. Pensamento Analítico e Problem Solving com Dados
Este módulo foca no desenvolvimento do raciocínio crítico e analítico, essencial para abordar problemas com dados de forma estruturada e eficaz.
2.1 Da Revolução Científica ao Método Científico
Apresenta a evolução do pensamento científico e como o método científico fundamenta a análise de dados atual.
2.2 Senso comum vs. método científico
Destaca as diferenças entre conclusões intuitivas e decisões baseadas em dados, reforçando a importância da abordagem científica.
2.3 O que é Ciência de Dados e por que estudá-la
Define a Ciência de Dados e explica o valor de dominar esta área para profissionais de diferentes setores.
2.4 O papel da curiosidade e da experimentação
Mostra como a curiosidade, a observação e a experimentação são motores essenciais para descobrir insights relevantes.
2.5 Carreira e evolução contínua em Data Science
Aborda oportunidades de carreira, habilidades em demanda e a importância da aprendizagem contínua na área de Data Science.
3. Tipos de Dados, Fontes e Qualidade
Este módulo apresenta os diferentes tipos de dados, como obtê-los e como garantir a sua qualidade e integridade para análises confiáveis.
3.1 Dados estruturados, semi-estruturados e não estruturados
Explica as categorias de dados e suas características, indicando onde são mais utilizados.
3.2 Internet das Coisas (IoT) e geração de dados
Mostra como dispositivos conectados geram grandes volumes de dados e seu papel em análises modernas.
3.3 Fontes de dados (reais, datasets e recolha própria)
Apresenta diferentes fontes de dados, incluindo datasets públicos, dados corporativos e métodos de coleta própria.
3.4 Qualidade e integridade dos dados
Ensina a avaliar a confiabilidade dos dados e como manter padrões de qualidade para análises precisas.
3.5 Exemplos práticos de aplicações em Data Science
Demonstra aplicações reais, ilustrando como diferentes tipos de dados são usados para gerar insights e apoiar decisões.
4. Introdução à Ciência de Dados
Este módulo oferece uma visão geral da Ciência de Dados, incluindo os perfis profissionais, oportunidades de mercado e ferramentas essenciais para atuar na área.
4.1 Perfis de profissionais: cientistas e trabalhadores de dados
Diferencia os papéis de cientistas de dados, analistas e outros profissionais que trabalham com dados, explicando responsabilidades e competências.
4.2 O papel do cientista de dados no mercado atual
Aborda a importância estratégica do cientista de dados, suas funções e a relevância no contexto corporativo e tecnológico.
4.3 Plataformas e oportunidades (Kaggle, DrivenData, etc.)
Apresenta plataformas de competição e aprendizagem prática, destacando oportunidades para desenvolvimento de habilidades e portfólio.
4.4 Ferramentas essenciais e boas práticas
Mostra as ferramentas mais usadas em Ciência de Dados e boas práticas para análise, manipulação e apresentação de dados.
5. Visualização de Dados & Storytelling
Este módulo ensina como transformar dados em informações visuais e comunicar insights de forma clara e persuasiva.
1
Day 01
8
h
1. O que é Data Science e as suas aplicações no mercado
Introdução ao conceito de Ciência de Dados e à sua importância estratégica no mercado atual.
1.1 Quarta Revolução Industrial e o Dilúvio de dados
Explica o crescimento exponencial de dados e como este fenómeno está a transformar a indústria e a sociedade.
1.2 O que é Big Data e o poder preditivo dos dados
Apresenta o conceito de Big Data e como a análise de grandes volumes de dados permite prever tendências e apoiar decisões.
1.3 Cenário nacional e internacional: oportunidades e tendências
Explora o mercado de trabalho, áreas de aplicação e tendências globais e nacionais em Ciência de Dados.
1.4 O impacto da ciência de dados em diferentes setores
Demonstra casos práticos de aplicação de Ciência de Dados em setores como saúde, finanças, marketing e tecnologia.
2. Pensamento Analítico e Problem Solving com Dados
Este módulo foca no desenvolvimento do raciocínio crítico e analítico, essencial para abordar problemas com dados de forma estruturada e eficaz.
2.1 Da Revolução Científica ao Método Científico
Apresenta a evolução do pensamento científico e como o método científico fundamenta a análise de dados atual.
2.2 Senso comum vs. método científico
Destaca as diferenças entre conclusões intuitivas e decisões baseadas em dados, reforçando a importância da abordagem científica.
2.3 O que é Ciência de Dados e por que estudá-la
Define a Ciência de Dados e explica o valor de dominar esta área para profissionais de diferentes setores.
2.4 O papel da curiosidade e da experimentação
Mostra como a curiosidade, a observação e a experimentação são motores essenciais para descobrir insights relevantes.
2.5 Carreira e evolução contínua em Data Science
Aborda oportunidades de carreira, habilidades em demanda e a importância da aprendizagem contínua na área de Data Science.
3. Tipos de Dados, Fontes e Qualidade
Este módulo apresenta os diferentes tipos de dados, como obtê-los e como garantir a sua qualidade e integridade para análises confiáveis.
3.1 Dados estruturados, semi-estruturados e não estruturados
Explica as categorias de dados e suas características, indicando onde são mais utilizados.
3.2 Internet das Coisas (IoT) e geração de dados
Mostra como dispositivos conectados geram grandes volumes de dados e seu papel em análises modernas.
3.3 Fontes de dados (reais, datasets e recolha própria)
Apresenta diferentes fontes de dados, incluindo datasets públicos, dados corporativos e métodos de coleta própria.
3.4 Qualidade e integridade dos dados
Ensina a avaliar a confiabilidade dos dados e como manter padrões de qualidade para análises precisas.
3.5 Exemplos práticos de aplicações em Data Science
Demonstra aplicações reais, ilustrando como diferentes tipos de dados são usados para gerar insights e apoiar decisões.
4. Introdução à Ciência de Dados
Este módulo oferece uma visão geral da Ciência de Dados, incluindo os perfis profissionais, oportunidades de mercado e ferramentas essenciais para atuar na área.
4.1 Perfis de profissionais: cientistas e trabalhadores de dados
Diferencia os papéis de cientistas de dados, analistas e outros profissionais que trabalham com dados, explicando responsabilidades e competências.
4.2 O papel do cientista de dados no mercado atual
Aborda a importância estratégica do cientista de dados, suas funções e a relevância no contexto corporativo e tecnológico.
4.3 Plataformas e oportunidades (Kaggle, DrivenData, etc.)
Apresenta plataformas de competição e aprendizagem prática, destacando oportunidades para desenvolvimento de habilidades e portfólio.
4.4 Ferramentas essenciais e boas práticas
Mostra as ferramentas mais usadas em Ciência de Dados e boas práticas para análise, manipulação e apresentação de dados.
5. Visualização de Dados & Storytelling
Este módulo ensina como transformar dados em informações visuais e comunicar insights de forma clara e persuasiva.
2
DAY 02
8
h
5. Visualização de Dados e Tomada de Decisão
Orientar os estudantes a utilizar gráficos e painéis para transformar dados em insights significativos. Promover a compreensão sobre quais tipos de visualização representam melhor diferentes informações, como vendas, marketing ou comportamento do cliente. Desenvolver a habilidade de ler, interpretar e comunicar padrões e tendências de forma clara e visual, sem a necessidade de programação.
5.3 Princípios de design para dashboards
Apresenta boas práticas de design e layout, garantindo dashboards claros, intuitivos e eficazes.
5.4 Storytelling com dados: adaptar a mensagem a diferentes públicos
Ensinar a comunicar insights de forma estratégica, ajustando a narrativa e as visualizações conforme o público-alvo. Discutir como a escolha de cores, escalas e formatos pode influenciar a interpretação dos dados, mostrando que a mesma informação pode transmitir mensagens distintas — e até enganosas — dependendo da forma como é apresentada. Refletir sobre a responsabilidade ética na comunicação visual e na construção de narrativas baseadas em dados.
6. Machine Learning e Inteligência Artificial Aplicada
Este módulo apresenta os conceitos e técnicas fundamentais de Machine Learning e Inteligência Artificial, com foco em aplicações práticas e éticas.
6.1 Conceitos fundamentais de Machine Learning (supervisionado e não supervisionado)
Explora os tipos de aprendizagem de máquina e como cada abordagem é aplicada a problemas reais.
6.2 Preparação de datasets: treino, validação e teste
Ensina a organizar e dividir dados corretamente em conjuntos de treino, validação e teste, garantindo a criação de modelos confiáveis e evitando problemas de overfitting e underfitting.
6.3 Introdução a Deep Learning e redes neuronais
Apresenta os princípios de Deep Learning e o funcionamento básico das redes neuronais.
6.4 Ética em IA: viés, privacidade e impacto social
Discute questões éticas, incluindo viés nos dados, privacidade e consequências sociais do uso da IA.
6.5 Introdução à visão computacional
Mostra os fundamentos de visão computacional e suas aplicações em análise de imagens e vídeos.
6.6 Exemplos de classificação de imagens e séries temporais
Apresenta um conjunto de exemplos ilustrativos de classificação de imagens e previsão de séries temporais, permitindo aos alunos compreender o que pode ser realizado com modelos de análise, os princípios estatísticos envolvidos e a interpretação de resultados. O foco é demonstrar conceitos e aplicações de forma clara, sem recorrer a dados reais ou exercícios práticos.
7. Projeto prático: treino e apresentação de um modelo aplicado
Este módulo oferece uma introdução prática ao funcionamento de um modelo de Inteligência Artificial, utilizando ferramentas acessíveis e intuitivas, sem necessidade de programação.
7.1 Demonstração de como “ensinar” uma máquina sem código
Apresenta o funcionamento do Teachable Machine, ferramenta desenvolvida pela Google que permite treinar modelos de IA de forma visual e simples.
7.2 Treino e teste de modelos com diferentes tipos de dados
Explora a criação de modelos de classificação de imagem, som e postura, permitindo que os alunos visualizem o processo completo de treino e teste.
7.3 Interpretação dos resultados e discussão sobre vieses e limitações
Analisa como a qualidade dos dados e o balanceamento das classes influenciam os resultados, introduzindo conceitos de viés e precisão.
7.4 Atividade guiada: treino prático individual
Cada participante treina o seu próprio modelo e experimenta previsões em tempo real, com acompanhamento do formador para resolução de dúvidas.
7.5 Reflexão final: da teoria à aplicação real
Discute como o mesmo princípio pode ser escalado para projetos profissionais de IA, estabelecendo uma ponte com os conteúdos do Bootcamp completo.
8. Introdução ao Git e GitHub
Apresenta os conceitos fundamentais de controle de versão e colaboração em projetos de dados.
8.1 Conceitos básicos de versionamento e repositórios
Explica a importância do Git no fluxo de trabalho de projetos de Data Science e IA.
8.2 Clonagem e execução de repositórios
Mostra como acessar o código dos projetos práticos através do GitHub.
9. Preparação do Ambiente
Garante que todos os participantes consigam configurar o ambiente local para executar os projetos.
9.1 Instalação das ferramentas essenciais
Inclui Python, IDE e bibliotecas principais.
9.2 Teste de execução inicial
Verifica se todos os componentes estão corretamente instalados antes do início da prática.
10. Explicação do Projeto de Visão Computacional
Introduz o conceito de visão computacional e mostra como as máquinas interpretam imagens.
10.1 Fundamentos de Visão Computacional
Explica a captura e o processamento de imagem em tempo real.
10.2 Demonstrações guiadas dos três projetos
Apresenta o funcionamento dos exemplos e o objetivo de cada um antes da execução prática.
11. Execução Prática dos Projetos
Os alunos aplicam os conceitos aprendidos executando três projetos progressivos de visão computacional.
11.1 Projeto 1 — Volume Control por Gestos
Permite controlar o mixer de volume aproximando e afastando os dedos indicador e polegar, demonstrando o rastreamento de posição de pontos na mão.
11.2 Projeto 2 — Contagem de Dedos
Reconhece quantos dedos estão levantados e exibe o número correspondente na tela, introduzindo a lógica condicional e reconhecimento de padrões.
11.3 Projeto 3 — Controle do Mouse por Mão Virtual
Integra os conhecimentos dos projetos anteriores para permitir controlar o cursor e clicar utilizando apenas gestos diante da câmara.
11.4 Orientação e suporte individual
O formador acompanha cada grupo, auxiliando em erros de instalação, execução e interpretação do código.
11.5 Encerramento e conexão com o Bootcamp principal
Discussão final sobre aplicações práticas dessas tecnologias, próximos passos para o aprofundamento em programação e apresentação dos conteúdos do Bootcamp completo.
2
DAY 02
8
h
5. Visualização de Dados e Tomada de Decisão
Orientar os estudantes a utilizar gráficos e painéis para transformar dados em insights significativos. Promover a compreensão sobre quais tipos de visualização representam melhor diferentes informações, como vendas, marketing ou comportamento do cliente. Desenvolver a habilidade de ler, interpretar e comunicar padrões e tendências de forma clara e visual, sem a necessidade de programação.
5.3 Princípios de design para dashboards
Apresenta boas práticas de design e layout, garantindo dashboards claros, intuitivos e eficazes.
5.4 Storytelling com dados: adaptar a mensagem a diferentes públicos
Ensinar a comunicar insights de forma estratégica, ajustando a narrativa e as visualizações conforme o público-alvo. Discutir como a escolha de cores, escalas e formatos pode influenciar a interpretação dos dados, mostrando que a mesma informação pode transmitir mensagens distintas — e até enganosas — dependendo da forma como é apresentada. Refletir sobre a responsabilidade ética na comunicação visual e na construção de narrativas baseadas em dados.
6. Machine Learning e Inteligência Artificial Aplicada
Este módulo apresenta os conceitos e técnicas fundamentais de Machine Learning e Inteligência Artificial, com foco em aplicações práticas e éticas.
6.1 Conceitos fundamentais de Machine Learning (supervisionado e não supervisionado)
Explora os tipos de aprendizagem de máquina e como cada abordagem é aplicada a problemas reais.
6.2 Preparação de datasets: treino, validação e teste
Ensina a organizar e dividir dados corretamente em conjuntos de treino, validação e teste, garantindo a criação de modelos confiáveis e evitando problemas de overfitting e underfitting.
6.3 Introdução a Deep Learning e redes neuronais
Apresenta os princípios de Deep Learning e o funcionamento básico das redes neuronais.
6.4 Ética em IA: viés, privacidade e impacto social
Discute questões éticas, incluindo viés nos dados, privacidade e consequências sociais do uso da IA.
6.5 Introdução à visão computacional
Mostra os fundamentos de visão computacional e suas aplicações em análise de imagens e vídeos.
6.6 Exemplos de classificação de imagens e séries temporais
Apresenta um conjunto de exemplos ilustrativos de classificação de imagens e previsão de séries temporais, permitindo aos alunos compreender o que pode ser realizado com modelos de análise, os princípios estatísticos envolvidos e a interpretação de resultados. O foco é demonstrar conceitos e aplicações de forma clara, sem recorrer a dados reais ou exercícios práticos.
7. Projeto prático: treino e apresentação de um modelo aplicado
Este módulo oferece uma introdução prática ao funcionamento de um modelo de Inteligência Artificial, utilizando ferramentas acessíveis e intuitivas, sem necessidade de programação.
7.1 Demonstração de como “ensinar” uma máquina sem código
Apresenta o funcionamento do Teachable Machine, ferramenta desenvolvida pela Google que permite treinar modelos de IA de forma visual e simples.
7.2 Treino e teste de modelos com diferentes tipos de dados
Explora a criação de modelos de classificação de imagem, som e postura, permitindo que os alunos visualizem o processo completo de treino e teste.
7.3 Interpretação dos resultados e discussão sobre vieses e limitações
Analisa como a qualidade dos dados e o balanceamento das classes influenciam os resultados, introduzindo conceitos de viés e precisão.
7.4 Atividade guiada: treino prático individual
Cada participante treina o seu próprio modelo e experimenta previsões em tempo real, com acompanhamento do formador para resolução de dúvidas.
7.5 Reflexão final: da teoria à aplicação real
Discute como o mesmo princípio pode ser escalado para projetos profissionais de IA, estabelecendo uma ponte com os conteúdos do Bootcamp completo.
8. Introdução ao Git e GitHub
Apresenta os conceitos fundamentais de controle de versão e colaboração em projetos de dados.
8.1 Conceitos básicos de versionamento e repositórios
Explica a importância do Git no fluxo de trabalho de projetos de Data Science e IA.
8.2 Clonagem e execução de repositórios
Mostra como acessar o código dos projetos práticos através do GitHub.
9. Preparação do Ambiente
Garante que todos os participantes consigam configurar o ambiente local para executar os projetos.
9.1 Instalação das ferramentas essenciais
Inclui Python, IDE e bibliotecas principais.
9.2 Teste de execução inicial
Verifica se todos os componentes estão corretamente instalados antes do início da prática.
10. Explicação do Projeto de Visão Computacional
Introduz o conceito de visão computacional e mostra como as máquinas interpretam imagens.
10.1 Fundamentos de Visão Computacional
Explica a captura e o processamento de imagem em tempo real.
10.2 Demonstrações guiadas dos três projetos
Apresenta o funcionamento dos exemplos e o objetivo de cada um antes da execução prática.
11. Execução Prática dos Projetos
Os alunos aplicam os conceitos aprendidos executando três projetos progressivos de visão computacional.
11.1 Projeto 1 — Volume Control por Gestos
Permite controlar o mixer de volume aproximando e afastando os dedos indicador e polegar, demonstrando o rastreamento de posição de pontos na mão.
11.2 Projeto 2 — Contagem de Dedos
Reconhece quantos dedos estão levantados e exibe o número correspondente na tela, introduzindo a lógica condicional e reconhecimento de padrões.
11.3 Projeto 3 — Controle do Mouse por Mão Virtual
Integra os conhecimentos dos projetos anteriores para permitir controlar o cursor e clicar utilizando apenas gestos diante da câmara.
11.4 Orientação e suporte individual
O formador acompanha cada grupo, auxiliando em erros de instalação, execução e interpretação do código.
11.5 Encerramento e conexão com o Bootcamp principal
Discussão final sobre aplicações práticas dessas tecnologias, próximos passos para o aprofundamento em programação e apresentação dos conteúdos do Bootcamp completo.
2
DAY 02
8
h
5. Visualização de Dados e Tomada de Decisão
Orientar os estudantes a utilizar gráficos e painéis para transformar dados em insights significativos. Promover a compreensão sobre quais tipos de visualização representam melhor diferentes informações, como vendas, marketing ou comportamento do cliente. Desenvolver a habilidade de ler, interpretar e comunicar padrões e tendências de forma clara e visual, sem a necessidade de programação.
5.3 Princípios de design para dashboards
Apresenta boas práticas de design e layout, garantindo dashboards claros, intuitivos e eficazes.
5.4 Storytelling com dados: adaptar a mensagem a diferentes públicos
Ensinar a comunicar insights de forma estratégica, ajustando a narrativa e as visualizações conforme o público-alvo. Discutir como a escolha de cores, escalas e formatos pode influenciar a interpretação dos dados, mostrando que a mesma informação pode transmitir mensagens distintas — e até enganosas — dependendo da forma como é apresentada. Refletir sobre a responsabilidade ética na comunicação visual e na construção de narrativas baseadas em dados.
6. Machine Learning e Inteligência Artificial Aplicada
Este módulo apresenta os conceitos e técnicas fundamentais de Machine Learning e Inteligência Artificial, com foco em aplicações práticas e éticas.
6.1 Conceitos fundamentais de Machine Learning (supervisionado e não supervisionado)
Explora os tipos de aprendizagem de máquina e como cada abordagem é aplicada a problemas reais.
6.2 Preparação de datasets: treino, validação e teste
Ensina a organizar e dividir dados corretamente em conjuntos de treino, validação e teste, garantindo a criação de modelos confiáveis e evitando problemas de overfitting e underfitting.
6.3 Introdução a Deep Learning e redes neuronais
Apresenta os princípios de Deep Learning e o funcionamento básico das redes neuronais.
6.4 Ética em IA: viés, privacidade e impacto social
Discute questões éticas, incluindo viés nos dados, privacidade e consequências sociais do uso da IA.
6.5 Introdução à visão computacional
Mostra os fundamentos de visão computacional e suas aplicações em análise de imagens e vídeos.
6.6 Exemplos de classificação de imagens e séries temporais
Apresenta um conjunto de exemplos ilustrativos de classificação de imagens e previsão de séries temporais, permitindo aos alunos compreender o que pode ser realizado com modelos de análise, os princípios estatísticos envolvidos e a interpretação de resultados. O foco é demonstrar conceitos e aplicações de forma clara, sem recorrer a dados reais ou exercícios práticos.
7. Projeto prático: treino e apresentação de um modelo aplicado
Este módulo oferece uma introdução prática ao funcionamento de um modelo de Inteligência Artificial, utilizando ferramentas acessíveis e intuitivas, sem necessidade de programação.
7.1 Demonstração de como “ensinar” uma máquina sem código
Apresenta o funcionamento do Teachable Machine, ferramenta desenvolvida pela Google que permite treinar modelos de IA de forma visual e simples.
7.2 Treino e teste de modelos com diferentes tipos de dados
Explora a criação de modelos de classificação de imagem, som e postura, permitindo que os alunos visualizem o processo completo de treino e teste.
7.3 Interpretação dos resultados e discussão sobre vieses e limitações
Analisa como a qualidade dos dados e o balanceamento das classes influenciam os resultados, introduzindo conceitos de viés e precisão.
7.4 Atividade guiada: treino prático individual
Cada participante treina o seu próprio modelo e experimenta previsões em tempo real, com acompanhamento do formador para resolução de dúvidas.
7.5 Reflexão final: da teoria à aplicação real
Discute como o mesmo princípio pode ser escalado para projetos profissionais de IA, estabelecendo uma ponte com os conteúdos do Bootcamp completo.
8. Introdução ao Git e GitHub
Apresenta os conceitos fundamentais de controle de versão e colaboração em projetos de dados.
8.1 Conceitos básicos de versionamento e repositórios
Explica a importância do Git no fluxo de trabalho de projetos de Data Science e IA.
8.2 Clonagem e execução de repositórios
Mostra como acessar o código dos projetos práticos através do GitHub.
9. Preparação do Ambiente
Garante que todos os participantes consigam configurar o ambiente local para executar os projetos.
9.1 Instalação das ferramentas essenciais
Inclui Python, IDE e bibliotecas principais.
9.2 Teste de execução inicial
Verifica se todos os componentes estão corretamente instalados antes do início da prática.
10. Explicação do Projeto de Visão Computacional
Introduz o conceito de visão computacional e mostra como as máquinas interpretam imagens.
10.1 Fundamentos de Visão Computacional
Explica a captura e o processamento de imagem em tempo real.
10.2 Demonstrações guiadas dos três projetos
Apresenta o funcionamento dos exemplos e o objetivo de cada um antes da execução prática.
11. Execução Prática dos Projetos
Os alunos aplicam os conceitos aprendidos executando três projetos progressivos de visão computacional.
11.1 Projeto 1 — Volume Control por Gestos
Permite controlar o mixer de volume aproximando e afastando os dedos indicador e polegar, demonstrando o rastreamento de posição de pontos na mão.
11.2 Projeto 2 — Contagem de Dedos
Reconhece quantos dedos estão levantados e exibe o número correspondente na tela, introduzindo a lógica condicional e reconhecimento de padrões.
11.3 Projeto 3 — Controle do Mouse por Mão Virtual
Integra os conhecimentos dos projetos anteriores para permitir controlar o cursor e clicar utilizando apenas gestos diante da câmara.
11.4 Orientação e suporte individual
O formador acompanha cada grupo, auxiliando em erros de instalação, execução e interpretação do código.
11.5 Encerramento e conexão com o Bootcamp principal
Discussão final sobre aplicações práticas dessas tecnologias, próximos passos para o aprofundamento em programação e apresentação dos conteúdos do Bootcamp completo.
2
DAY 02
8
h
5. Visualização de Dados e Tomada de Decisão
Orientar os estudantes a utilizar gráficos e painéis para transformar dados em insights significativos. Promover a compreensão sobre quais tipos de visualização representam melhor diferentes informações, como vendas, marketing ou comportamento do cliente. Desenvolver a habilidade de ler, interpretar e comunicar padrões e tendências de forma clara e visual, sem a necessidade de programação.
5.3 Princípios de design para dashboards
Apresenta boas práticas de design e layout, garantindo dashboards claros, intuitivos e eficazes.
5.4 Storytelling com dados: adaptar a mensagem a diferentes públicos
Ensinar a comunicar insights de forma estratégica, ajustando a narrativa e as visualizações conforme o público-alvo. Discutir como a escolha de cores, escalas e formatos pode influenciar a interpretação dos dados, mostrando que a mesma informação pode transmitir mensagens distintas — e até enganosas — dependendo da forma como é apresentada. Refletir sobre a responsabilidade ética na comunicação visual e na construção de narrativas baseadas em dados.
6. Machine Learning e Inteligência Artificial Aplicada
Este módulo apresenta os conceitos e técnicas fundamentais de Machine Learning e Inteligência Artificial, com foco em aplicações práticas e éticas.
6.1 Conceitos fundamentais de Machine Learning (supervisionado e não supervisionado)
Explora os tipos de aprendizagem de máquina e como cada abordagem é aplicada a problemas reais.
6.2 Preparação de datasets: treino, validação e teste
Ensina a organizar e dividir dados corretamente em conjuntos de treino, validação e teste, garantindo a criação de modelos confiáveis e evitando problemas de overfitting e underfitting.
6.3 Introdução a Deep Learning e redes neuronais
Apresenta os princípios de Deep Learning e o funcionamento básico das redes neuronais.
6.4 Ética em IA: viés, privacidade e impacto social
Discute questões éticas, incluindo viés nos dados, privacidade e consequências sociais do uso da IA.
6.5 Introdução à visão computacional
Mostra os fundamentos de visão computacional e suas aplicações em análise de imagens e vídeos.
6.6 Exemplos de classificação de imagens e séries temporais
Apresenta um conjunto de exemplos ilustrativos de classificação de imagens e previsão de séries temporais, permitindo aos alunos compreender o que pode ser realizado com modelos de análise, os princípios estatísticos envolvidos e a interpretação de resultados. O foco é demonstrar conceitos e aplicações de forma clara, sem recorrer a dados reais ou exercícios práticos.
7. Projeto prático: treino e apresentação de um modelo aplicado
Este módulo oferece uma introdução prática ao funcionamento de um modelo de Inteligência Artificial, utilizando ferramentas acessíveis e intuitivas, sem necessidade de programação.
7.1 Demonstração de como “ensinar” uma máquina sem código
Apresenta o funcionamento do Teachable Machine, ferramenta desenvolvida pela Google que permite treinar modelos de IA de forma visual e simples.
7.2 Treino e teste de modelos com diferentes tipos de dados
Explora a criação de modelos de classificação de imagem, som e postura, permitindo que os alunos visualizem o processo completo de treino e teste.
7.3 Interpretação dos resultados e discussão sobre vieses e limitações
Analisa como a qualidade dos dados e o balanceamento das classes influenciam os resultados, introduzindo conceitos de viés e precisão.
7.4 Atividade guiada: treino prático individual
Cada participante treina o seu próprio modelo e experimenta previsões em tempo real, com acompanhamento do formador para resolução de dúvidas.
7.5 Reflexão final: da teoria à aplicação real
Discute como o mesmo princípio pode ser escalado para projetos profissionais de IA, estabelecendo uma ponte com os conteúdos do Bootcamp completo.
8. Introdução ao Git e GitHub
Apresenta os conceitos fundamentais de controle de versão e colaboração em projetos de dados.
8.1 Conceitos básicos de versionamento e repositórios
Explica a importância do Git no fluxo de trabalho de projetos de Data Science e IA.
8.2 Clonagem e execução de repositórios
Mostra como acessar o código dos projetos práticos através do GitHub.
9. Preparação do Ambiente
Garante que todos os participantes consigam configurar o ambiente local para executar os projetos.
9.1 Instalação das ferramentas essenciais
Inclui Python, IDE e bibliotecas principais.
9.2 Teste de execução inicial
Verifica se todos os componentes estão corretamente instalados antes do início da prática.
10. Explicação do Projeto de Visão Computacional
Introduz o conceito de visão computacional e mostra como as máquinas interpretam imagens.
10.1 Fundamentos de Visão Computacional
Explica a captura e o processamento de imagem em tempo real.
10.2 Demonstrações guiadas dos três projetos
Apresenta o funcionamento dos exemplos e o objetivo de cada um antes da execução prática.
11. Execução Prática dos Projetos
Os alunos aplicam os conceitos aprendidos executando três projetos progressivos de visão computacional.
11.1 Projeto 1 — Volume Control por Gestos
Permite controlar o mixer de volume aproximando e afastando os dedos indicador e polegar, demonstrando o rastreamento de posição de pontos na mão.
11.2 Projeto 2 — Contagem de Dedos
Reconhece quantos dedos estão levantados e exibe o número correspondente na tela, introduzindo a lógica condicional e reconhecimento de padrões.
11.3 Projeto 3 — Controle do Mouse por Mão Virtual
Integra os conhecimentos dos projetos anteriores para permitir controlar o cursor e clicar utilizando apenas gestos diante da câmara.
11.4 Orientação e suporte individual
O formador acompanha cada grupo, auxiliando em erros de instalação, execução e interpretação do código.
11.5 Encerramento e conexão com o Bootcamp principal
Discussão final sobre aplicações práticas dessas tecnologias, próximos passos para o aprofundamento em programação e apresentação dos conteúdos do Bootcamp completo.
Duração total
Duração total
Hands-on
Hands-on
Projeto
Projeto
16h
16h
Contacta-nos
