Pós-graduação Lato Sensu

Business
Intelligence
Master
Sistemas Inteligentes de Apoio à
Decisão em Negócios
Lidere a transformação Digital

A Transformação Digital provocada pela Inteligência Artificial está

alterando rapidamente a natureza fundamental de muitas
empresas e profissões e, por essa razão, profissionais de todas as
áreas precisam entender os paradigmas dessa tecnologia e as
práticas da inovação em negócios centrados em IA para garantir o
próprio sucesso profissional.

Na PUC-Rio iremos treinar e inspirar você a se tornar um líder que

enfrenta novos desafios. Passe por um processo de transformação,
inove através do uso de modelos de Inteligência Artificial e Ciência
de Dados, desenvolva formas disruptivas e colaborativas de
liderança que criam estratégias que olham para o futuro, que
otimizam processos, que geram resultados, abrem novas
oportunidades e apoiam você a avançar.

Desenvolva-se como profissional gerando mudanças significativas

e destacando sua experiência e formação. Nosso objetivo é que
você dê um passo a frente em sua carreira e seja capaz de
contribuir com visão e conhecimento estratégico em cada projeto
que você lidere.

"Com asas nada é pesado"

Pós-graduação BI Master

Programa
O Business Intelligence Master é um curso de Pós-Graduação Lato
Sensu da PUC-Rio criado em 2006 para pessoas que participam ou
desejam ingressar no mercado profissional da Inteligência
Artificial e Ciência de Dados de forma rápida e efetiva, antes
mesmo da conclusão do programa.

Na proposta do BI MASTER, o aluno trabalha, desde o início, com

modelos e códigos disponíveis no GitHub do BI MASTER e, ao longo
do curso, constrói seu próprio GitHub, um portfólio de códigos e
provas de conceito que será sua vitrine profissional.

O programa é prático com foco nos métodos de manipulação e de

análise de dados, capacitando profissionais a abordar novos
desafios da indústria, gestão pública e comércio, dentre outros
setores.
Pós-graduação BI Master

Porque
BI MASTER
MAIS DE 1000 CIENTISTAS DE DADOS FORMADOS DESDE 2007
AULAS AO VIVO (NÃO GRAVADAS), PRESENCIAIS E SIMULTANEAMENTE
ONLINE, E OFICINAS PRÁTICAS
CURSO ATUALIZADO E APERFEIÇOADO A CADA TURMA
QUATRO TURMAS AO ANO PARA VOCÊ ESCOLHER!
ACESSO DIRETO AOS PROFESSORES PARA TIRAR DÚVIDAS: TEM ALGUMA
DÚVIDA? SOLICITE AULA PARTICULAR (VÍDEO-CONFERÊNCIA) COM
PROFESSORES
APRENDA COM QUEM FAZ ! PROFESSORES SÃO EXPERIENTES
DESENVOLVEDORES DE APLICAÇÕES PARA EMPRESAS
NETWORKING COM ESPECIALISTAS DO MERCADO: PROFESSORES COM
TÍTULO DE DOUTOR E NVIDIA E INTEL AMBASSADORS
GITHUB SHOWCASE: VITRINE DE CÓDIGOS DESENVOLVIDOS POR VOCÊ
DURANTE O CURSO, UM CURRÍCULO COM SUA EXPERIÊNCIA
CERTIFICAÇÃO PROGRESSIVA: DOMÍNIO DE HABILIDADES EM 4
MÓDULOS/CATEGORIAS: JUNIOR, PROFESSIONAL, SÊNIOR E SPECIALIST,
QUE LHE FAVORECEM PROFISSIONALMENTE
SOFTWARE DEPLOYMENT EXPERIENCE: VIVÊNCIA DA CIÊNCIA DE DADOS
E INTELIGÊNCIA ARTIFICIAL DESDE A INOVAÇÃO À PRODUÇÃO
A PRIMEIRA PÓS-GRADUAÇÃO EM CIÊNCIA DE DADOS E INTELIGÊNCIA
ARTIFICIAL DA AMÉRICA LATINA EM 2007
TURMAS DE NO MÁXIMO DE 40 ALUNOS
VOLTADO PARA PROFISSIONAIS DE TODAS AS ÁREAS
Pós-graduação BI Master

Objetivos
O objetivo do programa é capacitar profissionais em Ciência de
Dados e Inteligência Artificial, aptos a idealizar e conceber soluções
inovadoras em sua área de atuação.

Os alunos do programa aprenderão:

Coletar e organizar dados valiosos, empregando o estado da

arte em Big Data, Matemática, Estatística, Machine Learning,
Deep Learning e demais métodos de apoio à decisão, gerando
novos conhecimentos e conclusões para resolver problemas
práticos e tomar decisões de forma rápida e eficiente.

Aplicar ferramentas modernas de ciência de dados, otimização

e Aprendizado de Máquina para resolver problemas de
negócios reais.

Desenvolver todas as etapas de um Projeto em Ciência de

Dados. A cada etapa o aluno dominará uma série de
habilidades técnicas de desenvolvimento de aplicações de IA, o
que lhe proporciona uma oportunidade real de começar a
atuar no mercado profissional ou de empreender na área
enquanto estuda.
Pós-graduação BI Master

Público Alvo
O MBA BI MASTER da PUC-Rio é um curso voltado para
profissionais de todas as áreas que exerçam ou desejam participar
dos processos de transformação digital nas empresas em que
atuam.

Não é necessário ter conhecimentos profundos de matemática,

estatística ou computação.
Não é necessária ter experiência prévia. Abordaremos em aula
tudo o que você vai precisar conhecer.
Pós-graduação BI Master

Metodologia
O programa de Business Intelligence Master - BI MASTER aplica a
metodologia "Hands on" com 70% de aulas práticas e tutoria com o
professor (mentoring).

PRÁTICO PLATAFORMAS E
HÍBRIDO
HANDS ON LICENÇAS

PROFESSORES
MENTORING & TALKS
EXPERIENTES
Pós-graduação BI Master

Metodologia
HÍBRIDO
Aulas ao vivo (síncronas) pela internet ou se preferir,
participe fisicamente das aulas na PUC-Rio.

HANDS ON
Aulas 70% práticas tutoreadas pelo professor e
orientadas pelo monitor com exercícios para você
resolver.

PLATAFORMAS E LICENÇAS
Em todas as disciplinas do curso, exercícios e
aplicações são demonstrados, passo a passo, pelo
professor através de softwares comerciais e open
source.

PROFESSORES EXPERIENTES
Composto por doutores, mestres, ambassadors
Intel e instrutores certificados por NVIDIA Deep
Learning Institute.

MENTORING & TALKS

Os professores e monitores assessoram e apoiam

permanentemente os alunos para que possam
resolver e apresentar soluções dos seus projetos e
problemas em suas áreas de atuação.
Pós-graduação BI Master

Diferenciais
O Business Intelligence Master - BI MASTER foi o pionero no ensino
de Machine Learning e Inteligência Artificial na América Latina.
Seu programa, em permanente atualização, permite aos nossos
alunos e ex-alunos permanecerem sempre atualizados.

Nossos ex-alunos poderão participar do programa e palestras do

curso de forma livre.
Turmas Online em
Espanhol

Corpo
Step-Skills
Docente
Method
Experiente

Qualificação Metodologia
profissional Híbrida

Kaggle InClass GitHub

Competitions Showcase

Software
Deployment
Experience
Pós-graduação BI Master

Perfil de Alunos
O perfil diversificado de alunos é um dos pontos fortes do BI
MASTER, fazendo com que nossas turmas sejam heterogêneas e
multidisciplinares.

Há ampla diversidade de origens acadêmicas e, embora grande

parte dos alunos venham de formações acadêmicas na área de
exatas, isso não restringe a participação de quem vem de áreas
como ciências médicas, sociais, direito e outras.

Essa diversidade garante um estimulante networking, tanto dentro

quanto fora da sala de aula. A maioria dos alunos está buscando
carreiras em ciência de dados, análise de dadors e áreas
relacionadas, seja para empresas líderes ou como empreendedores
em suas próprias startups.

Outras áreas
21.2%

Engenharia
Economia e administração 53.5%
14.1%

Sistema de informação
9.1%
Pós-graduação BI Master

Programa
O programa* do curso BI MASTER com uma carga horária de 360
horas é composto por 12 disciplinas que são organizadas por 6
tópicos principais, como se segue:

SISTEMAS DE APOIO
01
À DECISÃO

BUSINESS
02 INTELLIGENCE E
BIG DATA

MACHINE
03
LEARNING

INTELIGÊNCIA
04
ARTIFICIAL

05 ESTATÍSTICA

06 MBA THESIS

A seguir detalhamos a ementa de cada uma das 13 disciplinas do

curso.
 Pós-graduação BI Master

SISTEMAS DE APOIO À
SAD DECISÃO

Introdução a lógica de programação;

Introdução à Bancos de Dados Estruturados;
Dados Estruturados vs. Dados Não-Estruturados;
Modelo Relacional de Dados;
Modelagem Conceitual de Dados;
Diagramas Entidade-Relacionamento;
Linguagem SQL
Linguagem de Definição de dados (DDL);
Linguagem de Manipulação de dados (DML);
Comandos de Junção de tabelas (JOIN) e suas
formas;
Elaboração de Consultas (DQL);
Funções de agregação de dados;
Subconsultas;
Elaboração de Visões;
Ferramenta de Visualização de Dados
Introdução à Visualização de Dados;
Design de Dashboards;
Elaboração de Dashboards com Power BI;
Tratamento de dados com Power Query;
Linguagem DAX;
Construção de medidas;
 Pós-graduação BI Master

SISTEMAS DE APOIO À
SAD DECISÃO

Programação em Python;
Introdução à linguagem Python;
Estruturas de dados em Python (inteiros,
reais, booleanos, strings, sets, tuplas, listas e
dicionários)
Realização de operações matemáticas e
relacionais em Python (adição, multiplicação,
subtração, divisão, igualdade, desigualdade,
etc);
Apresentação de bibliotecas mais usadas na
área de Data Science (math, numpy,
matplotlib, seaborn, pandas, sklearn);
Criação de funções;
Estruturas condicionais (if, elif, else);
Estruturas de repetição (for e while);
Dataframes (pandas);
Manipulação de arquivos e diretórios
(bibliotecas os, shutil, etc)
Análise de Dados
Leitura de dados em Excel e csv;
Geração de gráficos para análise de dados
(seaborn e matplotlib);
Pós-graduação BI Master

Exemplos de aplicações
SAD - SQL

01
ELABORAÇÃO DO
DATABASE DE
GERENCIAMENTO DE
CURSOS USANDO DDL E
DML

Usar DDL e DML para elaborar um

banco de dados de
gerenciamento de cursos ajuda a
criar uma estrutura organizada e a
manipular os dados de forma
eficiente

02
APLICAÇÃO DE DQL EM UM
DATABASE DE MULTAS

A aplicação de DQL em um banco

de dados de multas é usada para
consultar e obter informações
específicas sobre multas,
ajudando na análise e na tomada
de decisões informadas.
 Pós-graduação BI Master

BI E BIG DATA
BI BUSINESS INTELLIGENCE:

Introdução à Business Intelligence;

Definição do Processo do BI;
Técnicas de Levantamento de Requisitos;
Elaboração de Templates;
Técnica 5W2H;
Tecnologia e Projeto de Data Warehouse
(DW);
Introdução ao Data Warehouse;
Características de um DW;
Processos e Ferramentas de um DW;
Criação de um DW com Banco de Dados
PostgreSQL;
Definição da Arquitetura do DW;
Tipos de Implementação de um DW;
DW x Data Lake;
Introdução a Modelagem Multidimensional;
Modelagem Transacional x
Multidimensional;
Granularidade de Dados;
Tabela Fato;
Tabela Dimensão;
Hierarquias de Dimensão;
Medidas;
Modelo Estrela (Star Schema);
 Pós-graduação BI Master

BI E BIG DATA
BI BUSINESS INTELLIGENCE:

Modelo Floco de Neve (Snowflake);

Pontos Cardeais do BI;
Construindo Modelos com o Power
Architect;
Conexão com Bancos de dados;
Construindo uma Dimensão
temporal;
Trabalhando com versionamento;
Introdução ao Projeto de ETL;
ETL x ELT;
Extração de Dados;
Transformação de Dados;
Carga de Dados;
Ferramentas de ETL;
Chave Substituta;
Desnormalização;
Transformação e Carga de Dados
Utilizando SQL;
Carga Incremental;
Agregação de Dados;
 Pós-graduação BI Master

BI E BIG DATA
BI BUSINESS INTELLIGENCE:

Pentaho Data Integration (PDI);

Carga de dados com PDI;
Transformação de dados com PDI;
Implementação de SCD via PDI;
Versionamento e atualização de dados;
Construção e automatização de pipelines
de dados;
Distribuição da Informação
Conexão do Data Warehouse com o Power
BI;
Configuração de filtros com base em
versionamento;
Produção de Visualização de Dados com
Power BI;
Introdução a computação paralela;
Definição e conceitos;
FLOPS;
GPU vs. CPU;
Cluster e Grids;
Introdução a MapReduce;
Computação e processamento na nuvem:
aplicações Windows Azure Amazon e
Google;
Processamento paralelo em cluster na
nuvem;
 Pós-graduação BI Master

BI E BIG DATA
BI BUSINESS INTELLIGENCE:

Text Mining;
Mídia Texto;
Tokenização;
Introdução para Processamento de
Linguagem Natural;
Case Análise de sentimento
Programação de Linguagem Natural
Modelos embedding
Representações de contexto: word2vec,
Glove, Doc2Vector
Case Chatbot GPT
Latent Dirichlet Allocation - LDA
Oficina de agrupamento de tópicos
Projeto de programação de linguagem
natural Supervisionado e não
supervisionado
Oficina Análise de sentimentos em rede
social
Cases:
Sistema de recomendação de músicas por
similaridade
Análise de sentimentos de airbnb de
usuario do Rio de janeiro
Análise de tópicos de notícias
 Pós-graduação BI Master

BI E BIG DATA
BI BUSINESS INTELLIGENCE:

Análise de tópicos de notícias

Modelo embedding de notícias da folha
Desenvolvimento do Petroles
[Link]
Construção de dashboard gerenciais a
partir de textos em PDF
Pós-graduação BI Master

Exemplos de aplicações
BI

01 04
APLICAÇÃO DE TÉCNICAS IMPLEMENTAÇÃO DE
DE ELICITAÇÃO DE VERSIONAMENTO EM DW
REQUISITOS PARA BI SQL POWER ARCHITECT

02 05
ELABORAÇÃO DE UM DATA ELABORAÇÃO DE
WAREHOUSE (DW) INICIAL DIMENSÃO TEMPO A PARTIR
EM POSTGRESQL DE SCRIPT

03 06
MODELAGEM DE UM DW APLICAÇÃO DE ETL
UTILIZANDO SQL POWER UTILIZANDO LINGUAGEM
ARCHITECT SQL
Pós-graduação BI Master

Exemplos de aplicações
BI

07 10
APLICAÇÃO DE ETL APLICAÇÃO DE
UTILIZANDO PENTAHO AGREGAÇÃO DE DADOS EM
DATA INTEGRATOR UM CASE DE VENDAS

08 11
CARGA FULL EM UM DW ELABORAÇÃO DE
DASHBOARD A PARTIR DE
UMA BASE DE VENDAS EM
CSV E EXCEL

09 12
APLICAÇÃO DE ELABORAÇÃO DE
DESNORMALIZAÇÃO EM UM DASHBOARD A PARTIR DE
DATABASE UM DATABASE EM
POSTGTRESQL
 Pós-graduação BI Master

BI E BIG DATA:
LUI LOCALIZAÇÃO E USO DA
INFORMAÇÃO
Web mining, Coleta de informações
Web crawlers (robôs virtuais),
Uso de APIs (Application Programming
Interface);
Melhores prompts e usos para a API da OpenAI
(chatGPT)
Análise de sentimentos com informações de
facebook, twitter, linkedin e outros sites;
RPA (Robotic Process Automation)
IPA: Inteligência Artificial integrado ao RPA
Métodos de apoio à decisão em bases de dados;
Big Data e Data Science;
Introdução a Big Data;
Hadoop Architecture
MapReduce: Análise de Redes Sociais e Text
Mining;
Apache Spark;
Definição e Arquitetura;
Bases de dados como Objetos;
Implementação e casos de uso;
RDD — Resilient Distributed Dataset;
Uso da plataforma Databricks;
Python para Big Data, Dados em Python;
Integração Spark Python;
 Pós-graduação BI Master

BI E BIG DATA
LUI LOCALIZAÇÃO E USO DA
INFORMAÇÃO

Introdução ao PySpark;
Spark ML;
Spark Pipeline;
Cases:
Criação de uma API do zero
Coleta de informações de webpages e
criação de BD
Uso de APIs (ex: Quandl) para análise de
criptomoedas.
Uso de APIs (ex: Quandl) para análise de
criptomoedas.
Uso de APIs para criação de dataset a fim de
realizar análise de sentimentos.
Construção de modelos de machine
learning com Spark no Databricks.
Utilização de API para inferência de
modelos de IA
Utilização da API da OpenAI (chatGPT)
para criação de imagens e texto
Configuração de pipelines com MLflow
Pós-graduação BI Master

Exemplos de aplicações
LUI

01 03
SCRAPING API

Requisição a um site genérico API do ChatGPT: Preços, uso,

Localizar a informação modelos e prompt
desejada e formular a Criação de API
expressão de extração Deployment de modelos
Executar a extração, limpeza e treinados
exibição Serialização/desserialização
Simular o comportamento de de modelos treinados
um usuário humano sobre o Batch script
conteúdo na página da web Dashboards
Executar a busca de uma
palavra no site do Google
Baixar imagens e arquivos de
uma página da web

04
02 MLOPS

Fundamentos de MLOps
PROCESSAMENTO DE
Ferramentas e Tecnologias de
DADOS VIA APACHE SPARK
MLOps
Treinamento de modelos com Integração e Implementação
Apache Spark Contínuas (CI/CD) para
[Link] de Dados com Machine Learning
Apache Spark
 Pós-graduação BI Master

BI E BIG DATA
CONF CONFIABILIDADE

Cyber Security;
Vulnerabilidades e ataques:
Backdoor,
Ataques de negação de serviço e de acesso
direto,
Multivetor, ataques polimórficos, etc;
Confiança de dados
Tratamento de anomalias
Anomalias em bases de dados.
Técnicas de detecção de anomalias em
dados supervisionados e não
supervisionados
Isolation forest one class svm
Case fraude em cartão de crédito
Estudo de casos usando Autoencoders.
Anomalias em séries temporais
Case em anomalias de sensores
Robotic Process Automation, RPA
 Pós-graduação BI Master

MACHINE LEARNING
DM DATA MINING

Introdução a DM e Análise exploratória de

Dados;
Problemas Típicos de DM;
Etapas de um projeto de DM;
Análise exploratória na prática;
Pré-processamento de dados;
Tratamento de missing values;
Normalização;
Redução de dimensionalidade: seleção de
atributos (Filtros, Wrappers, Agregação);
Balanceamento;
Análise e tratamento de Outliers;
Métricas de avaliação (classificação, regressão,
agrupamento, associação, revisão de séries
temporais)
Aprendizado supervisionado;
Support Vector Machine (SVM);
Árvores de Decisão;
Comitês (bagging, boosting, stacking e
rsm);
Random Forest;
Regressão logística;
K nearest neighbors (KNN);
 Pós-graduação BI Master

MACHINE LEARNING
DM DATA MINING

Bias-Variance tradeoff;
Associação:
Apriori;
FPGrowth;
Eclat;
Agrupamento:
Particionamento (Kmeans, Kmedoids);
Hierárquico (Divisivo e Aglomerativo);
Densidade (DBSCAN);
Regressão;
Regressão linear simples;
Regressão linear múltipla;
Regressão não linear simples;
Regressão não linear múltipla;
Previsão de Séries Temporais:
Média Móvel;
Amortecimento exponencial;
Autoregressivo integrados de média móvel;
Auto regressivo não linear;
Deploy:
FastAPI;
Criação de endpoint de inferência;
Swagger;
Deploy;
Heroku;
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Redes Neurais Artificiais:

Introdução,
Arquitetura;
Características básicas;
História;
Redes Perceptron;
Redes Multilayer Perceptron (MLP);
Funções de Ativação;
Neurônio Artificial;
Tarefas de Aprendizado;
Algoritmos de Aprendizado;
Aprendizado por correção de erro,
competitivo,, e Backpropagation;
Classificação e Regressão;
Aprendizado Supervisionado;
Convergência e Generalização;
Problemas comuns: definição do
tamanho da rede, paralisia da rede e
mínimos locais;
Taxa de aprendizado e momento;
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Introdução ao Deep Learning;

Características básicas;
Múltiplas camadas;
Aplicações;
Redes básicas;
Frameworks utilizados: Tensorflow;
Álgebra linear básica;
Tensores;
Algoritmos de otimização
Gradiente descendente, Gradiente
descendente estocástico, Mini Batch,
Adam, Adagrad;
Comparação de desempenho dos
algoritmos de otimização;
Redes Convolucionais;
Introdução a operações de Convolução;
Oficina reconhecimento de imagem e
máscaras
Mídia imagem;
Hiperparâmetros da rede;
Função de ativação;
Configurações convolucionais
conhecidas;
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Configurações convolucionais
conhecidas;
Modelos conhecidos: Alexnet,
Googlenet;
Transfer Learning;
Definição e Arquitetura;
Ajuste fino;
Implementação e casos de uso;
Introdução à Visão Computacional;
Processamento digital de imagens;
Extração da informação em imagens;
Mídia imagem;
Vision Transformers;
Transfer Learning,
Detecção de objetos;
Classificação.
Aplicações em vídeos.
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Redes Recorrentes;
Definição e arquitetura;
LSTM;
Séries temporais;
Aplicações em programação de
linguagem natural;
Modelos de Segmentação Semântica
Modelos de Detecção de Objetos
Processamento de Linguagem Natural
usando Deep Learning
Word Representation;
Visualização de dados
multidimensionais usando Tensorflow;
Reconhecimento de relações entre
palavras;
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Reconhecimento de entidade;
Mecanismos de Attention
Modelos Transformer
Vision transformer
Hugging face
LLM (large lingual Model)
Modelos encoder decoder
Generative Pre-trained Transformer
LLama
Deploy em Deep learning
Audio Transformers
Modelos text to speech
Modelos speech to text
Modelos multi-modais
MLOps - development and use of machine
learning models by development
operations (DevOps) teams
ML Project Lifecycle e Deployment
Scoping de um Projeto de ML
Dados e Definição do Baseline
Modelagem
Versionamento de Modelos e Dados
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
RN PREVISÃO DE SÉRIES E INFERÊNCIA
POR REDES NEURAIS / DEEP
LEARNING

Versionamento de Modelos e Dados

Ciclos CI/CD
Model Serving, Monitoring, and Maintenance

Aplicações
Reconhecimento de itens de segurança
(máscara, capacete botas) em imagens
Reconhecimento de rostros
Segmentação de imagens de vídeos de
segurança
Reconhecimento de Covid em tomografias e
RX
Análise de sentimentos em rede social para
uma companhia aérea
Previsão de preço de Bitcoin
Buscador automático de notícias financeiras
Chatbot sobre informações de RH de uma
empresa
Deep face
Buscador automático de currículos
Uso de Chatbot como assistente de
programação
Inferência da demanda por uso de bicicletas
(de aluguel)
Pós-graduação BI Master

Exemplos de aplicações
RN

01
EXTRAÇÃO, ESTRUTURAÇÃO DE INFORMAÇÕES E
INDEXAÇÃO DE GRANDES COLEÇÕES DE
DOCUMENTOS POR MODELOS DEEP LEARNING.

(I) SEPARADOR DE PÁGINAS DO DOCUMENTO,

(II) MODELO DE DETECÇÃO E SEGMENTAÇÃO DE BLOCOS NA PÁGINA,
(III) EXTRATOR DE TABELAS,
(IV) EXTRATOR DE IMAGENS,
(V) MODELO DE CLASSIFICAÇÃO DE IMAGENS,
(VI) EXTRATOR DE TEXTO,
(VII) MODELO DE VISÃO COMPUTACIONAL PARA MELHORIA DA
QUALIDADE DA IMAGEM DOS TEXTOS,
(VIII) MODELO DE RECONHECIMENTO ÓTICO DE CARACTERES,
(IX) MODELO PARA CORREÇÃO ORTOGRÁFICA,
(X) MODELOS PARA ENRIQUECIMENTO SEMÂNTICO DO TEXTO,
(XI) ORGANIZADOR DOS ARQUIVOS DE SAÍDA E
(XII) AGREGADOR DE METADADOS PARA ENRIQUECIMENTO DA
INFORMAÇÃO.
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
LF
SISTEMAS BASEADOS NO
CONHECIMENTO POR LÓGICA FUZZY

Introdução a Lógica Fuzzy e conjuntos fuzzy;

Reinforcement Learning
Deep Reinforcement Learning
Case aprendizado de criptomoedas

Aplicações:

Sistema de rankeamento de sustentabilidade

Jogo autônomo de pacman
Carteira de investimentos automática
Simulação de AUV
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
OAG
OTIMIZAÇÃO POR ALGORITMOS
GENÉTICOS

Introdução aos Algoritmos Genéticos

Inteligência Artificial em problemas de
otimização;
Algoritmos Genéticos e suas aplicações;
Representação e decodificação e avaliação de
soluções;
Transformando variáveis em
cromossomos
Importância da função de avaliação
Ferramentas: Excel x Python
Reprodução genética: seleção, cruzamento e
mutação;
Funcionamento do processo evolutivo
Otimizando problemas reais
Otimização de problemas com restrições;
Tratamento de Restrições;
Otimização com múltiplos objetivos;
Avaliação e otimização multiobjetivo;
Pós-graduação BI Master

Exemplos de aplicações
OAG

01 02
REPRESENTAÇÃO DE ENCONTRAR O ÓTIMO DA
RAINHAS NO JOGO DE FUNÇÃO MATEMÁTICA F6
XADREZ SOLUÇÃO NO SOLVER
SOLUÇÃO EM PYTHON

03 04
EXERCÍCIOS DE
EXERCÍCIOS DE
OTIMIZAÇÃO COM
OTIMIZAÇÃO BÁSICOS:
MÚLTIPLOS OBJETIVOS
ETAPAS DE UMA
MELHOR
OTIMIZAÇÃO COMPLETA
POSICIONAMENTO DE
MELHOR
ANTENAS DE
POSICIONAMENTO DE
TELECOMUNICAÇÕES
ANTENAS DE
COMPLETO
TELECOMUNICAÇÕES
FRAÇÃO ÓTIMA DE ÁREA
DE PLANTIO

05
EXERCÍCIOS DE OTIMIZAÇÃO COM RESTRIÇÃO
EXECUÇÃO ÓTIMA DE PRODUÇÃO DE PRODUTOS
MELHOR POSICIONAMENTO DE ANTENAS DE
TELECOMUNICAÇÕES COM RESTRIÇÕES
 Pós-graduação BI Master

INTELIGÊNCIA ARTIFICIAL
OP
OTIMIZAÇÃO DE PLANEJAMENTO

Problemas de planejamento e otimização

combinatória;
Problemas de planejamento com
representação numérica
Otimização de problemas logísticos e
roteirização
Problemas baseados em ordem
Tratamento de restrições de precedência;
Otimização de problemas de alocação de
recursos
Pós-graduação BI Master

Exemplos de aplicações
OP

01 02
TIPOS DE PROBLEMAS DE PROBLEMAS DE ORDEM
PLANEJAMENTO ORDEM ÓTIMA DE
ENTREGA
ORDEM ÓTIMA DE
ENTREGA COM
PRECEDÊNCIA
ORDEM ÓTIMA DE
VISITAÇÃO DE
PONTOSTURÍSTICOS

03 04
PROBLEMAS DE LOGÍSTICA PROBLEMAS DE
LOGÍSTICA ÓTIMA DE PROGRAMAÇÃO
ENTREGA - A ALOCAÇÃO ÓTIMA DE
LOGÍSTICA ÓTIMA DE FUNCIONÁRIOS PARA
ENTREGA - B TAREFAS
LOGÍSTICA ÓTIMA DE ALOCAÇÃO ÓTIMA DE
ENTREGA - C HORÁRIOS EM UMA
UNIVERSIDADE
ALOCAÇÃO ÓTIMA DO
CORPO DE
FUNCIONÁRIOS DE UM
HOSPITAL
 Pós-graduação BI Master

ESTATÍSTICA:
MEAD MÉTODOS ESTATÍSTICOS DE APOIO À
DECISÃO
Distribuição de Probabilidade;
Variável aleatória;
Função distribuição de probabilidade;
Principais distribuições de probabilidade;
Valor Esperado;
Média;
Variância;
Covariância;
Correlação;
Viés;
Erro padrão;
Estatística para Análise de Dados;
Amostragem aleatória simples;
Amostragem aleatória estratificada;
Amostragem aleatória de agrupamento;
Amostragem aleatória sistemática;
Bootstrapping;

Regressão linear simples;

Regressão linear múltipla;
Regressão logística;
Estatística para Seleção de Modelos;
Teste Z;
Teste qui-quadrado;
 Pós-graduação BI Master

ESTATÍSTICA:
MEAD MÉTODOS ESTATÍSTICOS DE APOIO À
DECISÃO
MAPE;
RMSE;
Coeficiente de determinação, coeficiente
de determinação ajustado;
Métodos forward, backward, stepwise;
Multicolinearidade (VIF);

ESTADÍSTICA:
ADI APOIO À DECISÃO SOB INCERTEZA

Técnicas estatísticas de amostragem;

ML para criação de proxies;
Tomada de decisão sob incerteza;
Método de Monte Carlo;
Problemas pontuais com abordagem de Monte
Carlo
Séries temporais com método de Monte Carlo
Problemas híbridos de Otimização e Incertezas
Cadeia de Markov;
Avaliação matemática de Opções Reais;
Cálculo e avaliação de projetos
Análise de viabilidade de investimentos
Blockchain e suas aplicações;
Pós-graduação BI Master

Exemplos de aplicações
ADI

01 04
CRIAÇÃO DE PROXIES COM TÉCNICA DE MONTE CARLO
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO AO SCRIPT
DE MONTE CARLO EM

02 VBA
APLICAÇÃO DE MC PARA
DESCOBRIR O GASTO
GERAÇÃO DE ESPERADO DE UMA
AMOSTRASSINTÉTICAS OBRA
GERAÇÃO DE
AMOSTRASSINTÉTICAS A
PARTIR DE MODELOS GAN

05
03 APLICAÇÃO DA TÉCNICA DE
MC COM OTIMIZAÇÃO
APLICAÇÃO DE OPÇÕES REAIS
GERAÇÃO DE CENÁRIOS
ANÁLISE DO PROCESSO
DE PÚBLICO EM
DECISÓRIO
CAMPANHAS DE
CÁLCULO MATEMÁTICO DA
MARKETING
CADEIA COMPLETA
OTIMIZAÇÃO DOS
APLICAÇÃO DE MC EM
DIVERSOS CENÁRIOS
PARÂMETROS ENVOLVIDOS
GERADOS
NA CADEIA
CRIAÇÃO E AVALIAÇÃO DE
ALTERNATIVAS DE
INVESTIMENTOS
 Posgrado BI Master

MBA THESIS:
PROJ PROJETO DE SISTEMAS
INTELIGENTES DE APOIO À
DECISÃO
Trabalho de Conclusão de Curso;
Conceitos de Decisão;
Inovação: Caracterização e Desafios;
PoC: Proof of Concept: etapas e
desenvolvimento;
Identificação do Problema e Diagnóstico da
situação atual;
Definição dos objetivos;
Avaliação e análise dos dados disponíveis;
Definição de Escopo do Projeto;
Modelagem e Desenvolvimento;
Testes e Avaliação de Resultados;
Pós-graduação BI Master

Sobre o trabalho de
conclusão de curso
O trabalho de conclusão no BI MASTER da PUC-Rio aborda temas de
interesse do aluno ou da empresa onde ele trabalha, sempre sob a
orientação dos professores do programa. Este curso adota uma
abordagem inovadora para a realização e apresentação do TCC,
alinhada com as exigências do atual mercado profissional tecnológico,
que valoriza a experiência prática na inovação e no desenvolvimento
de provas de conceito (PoC: Proof of Concept) que demonstram a
competência real do profissional.

Dentro da proposta do BI MASTER, o aluno identifica um tema ou

problema, propõe uma solução e, com a orientação dos professores,
desenvolve uma prova de conceito. Esta prova de conceito, juntamente
com uma descrição detalhada da solução, é disponibilizada na web
por meio de plataformas como o GitHub, facilitando a demonstração e
a divulgação do trabalho.
 Oficinas (Kaggle)

[Link] DE APOIO À DECISÃO [SAD]

PÓS-GRADUAÇÃO BI MASTER

a. Classificação de Flores
b. Práticas de programação em geral
c. Análise de testes clínicos no uso de medicamentos
para ansiedade
d. Análise de tendências mundiais

[Link] E BIG DATA- BUSINESS INTELLIGENCE

[BI]

a. Elicitação de Requisitos para BI em empresa de

metalurgia;
b. Modelagem Multidimensional de um modelo de
produção;
c. Elaboração de Data Warehouse com atualização
e versionamento em case de indústria;
d. Elaboração ETL com pipelines e orquestração
para tratamento de dados de produção;
e. Elaboração de Dashboards dinâmicos para
gerenciamento e controle de produção.
 Oficinas (Kaggle)

[Link] E BIG DATA - LOCALIZAÇÃO E USO DA

PÓS-GRADUAÇÃO BI MASTER

INFORMAÇÃO [LUI]

a. Etapas de um projeto de extração de dados de uma

webpage
b. Etapas de um projeto de consulta e manipulação
de dados através de APIs
c. Etapas de um projeto de extração de informações
de um arquivo em PDF

[Link] LEARNING - DATA MINING [DM]

a. Inferência da comestibilidade de cogumelos

b. Previsão de atrito em ambiente de trabalho
c. Detecção de defeitos na fabricação de
semicondutores
d. Análise de crédito
e. Inferência de malignidade de tumores de mama
f. Associação de itens no varejo
g. Segmentação de clientes de um shopping
h. Previsão de demanda por aviação civil
i. Previsão de lucro de startups (modelo para
investidores)
j. Inferência da demanda por uso de bicicletas (de
aluguel)
 Oficinas (Kaggle)

5. PROJETO MACHINE LEARNING - MLOPS

PÓS-GRADUAÇÃO BI MASTER

a. ML Project Lifecycle e Deployment

b. Scoping de um Projeto de ML
c. Dados e Definição do Baseline
d. Modelagem
e. Versionamento de Modelos e Dados
f. Ciclos CI/CD
g. Model Serving, Monitoring, and Maintenance

6. INTELIGÊNCIA ARTIFICIAL - PREVISÃO DE

SÉRIES E INFERÊNCIA POR REDES NEURAIS /
DEEP LEARNING [RN]

7. INTELIGÊNCIA ARTIFICIAL – OTIMIZAÇÃO

POR ALGORITMOS GENÉTICOS [OAG]

a. Otimização de problemas numéricos (Case:

Jogos/Rainhas)
b. Otimização de alocação de antenas (Case:
Telecomunicações)
c. Otimização de fabricação de produtos (Case:
Produção)
d. Otimização de distribuição e coleta de produtos
(Case: Logística)
 Oficinas (Kaggle)

8. INTELIGÊNCIA ARTIFICIAL – OTIMIZAÇÃO

PÓS-GRADUAÇÃO BI MASTER

DE PLANEJAMENTO [OP]

a. Planejamento de campanhas
publicitárias/marketing (Case:
Publicidade/Marketing)
b. Otimização logística considerando restrição de
precedência (Case: Logística/Turismo)
c. Otimização de grade horária (Case:
Administração/Universidade)
d. Planejamento de horários/contratos de trabalho
(Case:Recursos Humanos)
e. Meu problema de otimização deplanejamento

9. ESTATÍSTICA - APOIO À DECISÃO SOB

INCERTEZA [ADI]

a. Treinamento de Proxies
b. Modelos Generativos
c. Séries temporais sob efeitos de incerteza -
Aplicação de modelo de previsão de séries
temporais em conjunto com método de Monte
Carlo
d. Avaliação e comparação entre tipos de
investimentos
Pós-graduação BI Master

Informação de Admissão
Processo de admissão online

As pessoas interessadas devem enviar a documentação exigida pelo CCE

da PUC-Rio.

1. Inscrição: Acesse [Link] e na área de Inteligência

Artificial, acesse a página do BI MASTER. Clique AQUI para acessar a
página de inscrições.
2. Envio de documentação: Cópia do Diploma (frente e verso), Histórico
Escolar da Graduação, CV (Caso, momentaneamente, não esteja de
posse do histórico escolar ou diploma, há um Termo de Compromisso
que pode ser entregue temporariamente,
3. Entrevista pessoal com a Coordenação do curso
4. Matrícula

MAIS INFORMAÇÃO

Para mais informações sobre o programa, os interessados podem escrever para:

[Link]@[Link]
WhatsApp
+55 (21) 3527-2460
+55 (21) 3527-1634
Marco C. Pacheco
Coordenador do Programa
[Link]

Engenheiro Eletrônico e Mestre em Engenharia Elétrica pela

PUC-Rio; Doutorado em Computer Science pelo University College of
London, Professor da Pontifícia Universidade Católica do Rio de
Janeiro.

Prêmios Petrobras de Tecnologia e Prêmio Santander

Universidades - Ciência e Inovação. Diretor do Laboratório de
Inteligência Computacional Aplicada.

"A premissa desta pós-graduação é que a Inteligência

Artificial está transformando rapidamente a natureza
fundamental de muitas empresas e profissões e, por
essa razão, profissionais de todas as áreas precisam
entender os paradigmas dessa tecnologia e as práticas
da inovação em negócios centrados em IA para
garantir o próprio sucesso profissional'.

DIRETOR DO LAB. INTELIGÊNCIA

COMPUTACIONAL APLICADA - ICA PUC
RIO
 PONTIFÍCIA UNIVERSIDADE
CATÓLICA DO RIO DE JANEIRO

A Pontifícia Universidade Católica do Rio de Janeiro

(PUC-Rio)

É reconhecida no "The World University Rankings 2022" como una

das melhores na América Latina, a primeira no Rio de Janeiro e no
Brasil em Parcería com a Indústria.

O Laboratório de Inteligência Computacional - ICA da PUC-Rio é

pioneiro na pesquisa e no ensino da Inteligência Artificial em pós-
graduação à distância no Brasil. Estableceu parcerias com
companhias como INTEL, NVIDIA, Petrobras, MathWorks, entre
outras, com o intuito de atender os alunos do BI MASTER.

O BI MASTER foi o pioneiro, em 2007, no ensino de Machine

Learning e Inteligência Artificial em nível de pós-graduação no
Brasil e na América Latina. Seu programa, em permanente
atualização, reflete o estado da arte na área e já certificou mais de
1000 alunos.
Laboratório de Inteligência Computacional Aplicada
Espaço Graziela Maciel Barroso, PUC-Rio
Estrada Santa Marinha, 723 - Gávea, Rio de Janeiro - RJ, 22451-240

Gávea, Rio de Janeiro - RJ – Brasil

R. Marques S. Vicente 225 – Prédio Leme, sala 401-L,

Gávea, Rio de Janeiro - RJ – Brasil

Siga-nos:

school/ica-puc-rio

/icapucrio

/[Link]