O curso é baseado no seguintes conteúdos:
Fundamentos de ciência de dados
O Método Científico. Preparação e pré-processamento de dados. Bibliotecas fundamentais: NumPy, Pandas, Matplotlib, SciPy, scikit-learn, PyTorch. Paradigmas de aprendizado de máquina. Método dos k-vizinhos mais próximos para regressão e classificação. Modelos de regressão. Modelos probabilísticos para classificação: classificador bayesiano, Naive Bayes, regressão logística e métodos não paramétricos. Avaliação de modelos (acurácia, curva ROC, recall, precision). Seleção, ajuste e regularização de modelos.
Fundamentos de aprendizado de máquina
Modelos preditivos. Aprendizado baseado em regras. Métodos de reamostragem e comitês de modelos: bagging, boosting e florestas aleatórias. Máquinas de vetores de suporte. Modelos de aprendizado não supervisionado. Redes neurais artificiais e deep learning. Redes de Kolmogorov–Arnold. Aplicações em inteligência artificial e modelos de linguagem.