Cursos de Aprendizagem Automática em Maia

Esta formação ao vivo com instrutor em Maia (online ou presencial) destina-se a cientistas de dados e engenheiros de IA de nível avançado no setor financeiro que pretendem ajustar modelos para aplicações como pontuação de crédito, deteção de fraudes e modelação de risco, utilizando dados financeiros específicos do domínio.

No final desta formação, os participantes serão capazes de:

• Ajustar modelos de IA em conjuntos de dados financeiros para melhorar a previsão de fraudes e riscos.
• Aplicar técnicas como *transfer learning*, LoRA e regularização para aumentar a eficiência dos modelos.
• Integrar considerações de conformidade financeira no fluxo de trabalho de modelação de IA.
• Implementar modelos ajustados para uso em produção em plataformas de serviços financeiros.

Este treinamento ao vivo, com instrutor, em Maia (online ou presencial), destina-se a engenheiros de manutenção de IA de nível avançado e profissionais de MLOps que pretendem implementar pipelines robustos de aprendizado contínuo e estratégias eficazes de atualização para modelos ajustados já em produção.

À conclusão deste treinamento, os participantes serão capazes de:

• Desenhar e implementar fluxos de trabalho de aprendizado contínuo para modelos em produção.
• Mitigar o esquecimento catastrófico através de uma gestão adequada do treino e da memória.
• Automatizar a monitorização e os gatilhos de atualização com base na derivação do modelo ou em mudanças nos dados.
• Integrar estratégias de atualização de modelos em pipelines existentes de CI/CD e MLOps.

Esta formação ao vivo, conduzida por instrutor em Maia (online ou presencial), destina-se a desenvolvedores de IA embarcada e especialistas em computação de edge de nível intermédio que desejam otimizar e ajustar modelos de IA leves para implementação em dispositivos com recursos limitados.

No final desta formação, os participantes serão capazes de:

• Selecionar e adaptar modelos pré-treinados adequados para implementação em edge.
• Aplicar quantização, poda e outras técnicas de compressão para reduzir o tamanho dos modelos e a latência.
• Realizar o ajuste fino dos modelos utilizando aprendizagem por transferência para desempenho específico da tarefa.
• Implementar modelos otimizados em plataformas de hardware edge reais.

Este curso ao vivo, conduzido por formador em Maia (online ou presencial), destina-se a profissionais em nível inicial que desejam compreender o conceito de modelos pré-adequados e aprender a aplicá-los para resolver problemas do mundo real, sem a necessidade de construir modelos desde o zero.

Até ao final desta formação, os participantes serão capazes de:

• Compreender o conceito e os benefícios dos modelos pré-adequados.
• Explorar diversas arquiteturas de modelos pré-adequados e os respetivos casos de uso.
• Refinar (fine-tuning) um modelo pré-adequado para tarefas específicas.
• Implementar modelos pré-adequados em projetos simples de aprendizagem automática.

Esta formação ao vivo, conduzida por instrutor, em Maia (online ou presencial), destina-se a engenheiros de machine learning, desenvolvedores de IA e cientistas de dados de nível intermédio a avançado, que pretendem aprender a utilizar o QLoRA para ajustar eficientemente grandes modelos a tarefas específicas e personalizações.

No final desta formação, os participantes serão capazes de:

• Compreender a teoria por detrás do QLoRA e das técnicas de quantização para LLMs.
• Implementar o QLoRA no ajuste fino de grandes modelos de linguagem para aplicações específicas de domínio.
• Otimizar o desempenho do ajuste fino em recursos computacionais limitados, utilizando quantização.
• Implantar e avaliar modelos ajustados em aplicações do mundo real de forma eficiente.

Esta formação ao vivo, orientada por instrutor, em Maia (online ou presencial), destina-se a desenvolvedores de IA de nível intermédio, engenheiros de machine learning e arquitetos de sistemas que pretendam otimizar modelos de IA para implantação edge.

Ao final desta formação, os participantes serão capazes de:

• Compreender os desafios e requisitos da implantação de modelos de IA em dispositivos edge.
• Aplicar técnicas de compressão de modelos para reduzir o tamanho e a complexidade dos modelos de IA.
• Utilizar métodos de quantização para melhorar a eficiência dos modelos em hardware edge.
• Implementar poda e outras técnicas de otimização para melhorar o desempenho dos modelos.
• Implantar modelos de IA otimizados em vários dispositivos edge.

Esta formação ao vivo, conduzida por instrutores, em Maia (online ou presencial), destina-se a developers, cientistas de dados e entusiastas de tecnologia de nível intermédio que desejam adquirir competências práticas na implementação de modelos de IA em dispositivos de borda para diversas aplicações.

Ao término desta formação, os participantes serão capazes de:

• Compreender os princípios da Edge AI e os seus benefícios.
• Configurar e preparar o ambiente de computação na borda.
• Desenvolver, treinar e otimizar modelos de IA para implementação na borda.
• Implementar soluções práticas de IA em dispositivos de borda.
• Avaliar e melhorar o desempenho dos modelos implementados na borda.
• Abordar considerações éticas e de segurança nas aplicações de Edge AI.

Esta formação conduzida por instrutores em Maia capacita profissionais avançados com as competências para conceber, otimizar e implantar pipelines completos de TinyML. Os participantes aprenderão a recolher dados, treinar modelos de baixo consumo e testar aplicações do mundo real através de laboratórios práticos.

Esta formação ao vivo, ministrada por um instrutor em Maia (online ou presencial), destina-se a profissionais de nível avançado que desejam dominar as técnicas para otimizar modelos de grande escala para fine-tuning custo-eficiente em cenários reais.

No final desta formação, os participantes serão capazes de:

• Compreender os desafios do fine-tuning de modelos de grande escala.
• Aplicar técnicas de treino distribuído a modelos de grande escala.
• Aproveitar a quantização e o poda de modelos para ganhar eficiência.
• Otimizar a utilização de hardware para tarefas de fine-tuning.
• Implementar modelos ajustados de forma eficaz em ambientes de produção.

Esta formação ao vivo, conduzida por um instrutor em Maia (online ou presencial), destina-se a profissionais de nível avançado que desejam dominar as tecnologias por trás dos sistemas autónomos.

No final desta formação, os participantes estarão capacitados para:

• Desenhar e implementar modelos de IA para tomada de decisão autónoma.
• Desenvolver algoritmos de controlo para navegação autónoma e evitamento de obstáculos.
• Garantir a segurança e fiabilidade em sistemas autónomos impulsionados por IA.
• Integrar sistemas autónomos com estruturas existentes de robótica e IA.

Esta formação ao vivo, ministrada por um instrutor, em Maia (online ou presencial), destina-se a profissionais de nível avançado que desejam aprimorar os seus conhecimentos em modelos de aprendizagem de máquina, melhorar as suas competências em ajuste de hiperparâmetros e aprender a implementar modelos de forma eficaz utilizando o Google Colab.

No final desta formação, os participantes serão capazes de:

• Implementar modelos avançados de aprendizagem de máquina utilizando frameworks populares como Scikit-learn e TensorFlow.
• Otimizar o desempenho dos modelos através do ajuste de hiperparâmetros.
• Implementar modelos de aprendizagem de máquina em aplicações do mundo real utilizando o Google Colab.
• Colaborar e gerir projetos de aprendizagem de máquina em larga escala no Google Colab.

Esta formação ao vivo, com instrutor em Maia (online ou presencial), destina-se a profissionais de nível intermédio que desejam aplicar técnicas de IA para otimizar a gestão do rendimento na fabrico de semicondutores.

No final desta formação, os participantes serão capazes de:

• Analisar dados de produção para identificar fatores que afetam as taxas de rendimento.
• Implementar algoritmos de IA para melhorar os processos de gestão do rendimento.
• Otimizar parâmetros de produção para reduzir defeitos e melhorar os rendimentos.
• Integrar a gestão do rendimento dirigida por IA nos fluxos de trabalho de produção existentes.

Esta formação ao vivo, com instrutor, em Maia (online ou presencial) destina-se a profissionais de negócio e de IA de nível intermédio que desejam aplicar o machine learning em negócios, previsões e sistemas impulsionados por IA, utilizando estudos de caso reais e ferramentas baseadas em Python.

Ao concluir esta formação, os participantes serão capazes de:

• Compreender como o machine learning se enquadra na estratégia de IA e de negócio.
• Aplicar técnicas de aprendizagem supervisionada e não supervisionada a problemas de negócio estruturados.
• Pré-processar e transformar dados para modelação.
• Utilizar redes neuronais para tarefas de classificação e previsão.
• Executar previsões de vendas utilizando métodos estatísticos e baseados em ML.
• Implementar clustervação e mineração de regras de associação para segmentação de clientes e descoberta de padrões.

Esta formação ao vivo, conduzida por um formador em Maia (online ou presencial), destina-se a profissionais de nível avançado que desejem aplicar técnicas de IA de vanguarda à automação do projeto de semicondutores, melhorando a eficiência, a precisão e a inovação no design e verificação de chips.

No final desta formação, os participantes serão capazes de:

• Aplicar técnicas avançadas de IA para otimizar os processos de projeto de semicondutores.
• Integrar modelos de machine learning em ferramentas EDA para uma verificação de projeto mais robusta.
• Desenvolver soluções impulsionadas por IA para desafios complexos de projeto na fabrico de chips.
• Aproveitar as redes neurais para melhorar a precisão e a velocidade da automação de projeto.

Esta formação ao vivo, ministrada por formadores em Maia (online ou presencial), destina-se a profissionais de nível intermédio que desejam compreender e aplicar técnicas de IA para otimizar os processos de fabricação de semicondutores.

No final desta formação, os participantes estarão aptos a:

• Compreender as metodologias de IA para otimização de processos na fabricação de chips.
• Implementar modelos de IA para aumentar o rendimento e reduzir defeitos.
• Analisar dados de processo para identificar os parâmetros-chave para otimização.
• Aplicar técnicas de machine learning para afinar os processos de manufatura de semicondutores.

Esta formação ao vivo, conduzida por instrutores, em Maia (online ou presencial), destina-se a participantes de nível intermédio que desejam automatizar e gerir fluxos de trabalho de machine learning, incluindo o treino, a validação e a implementação de modelos, utilizando o Apache Airflow.

Ao fim desta formação, os participantes serão capazes de:

• Configurar o Apache Airflow para a orquestração de fluxos de trabalho de machine learning.
• Automatizar tarefas de pré-processamento de dados, treino de modelos e validação.
• Integrar o Airflow com frameworks e ferramentas de machine learning.
• Implementar modelos de machine learning através de pipelines automatizados.
• Monitorizar e otimizar fluxos de trabalho de machine learning em ambiente de produção.

Esta formação ao vivo, com instrutor, em Maia (online ou presencial), destina-se a cientistas de dados e desenvolvedores de nível intermédio que desejam aplicar algoritmos de aprendizado de máquina de forma eficiente, utilizando o ambiente Google Colab.

No final desta formação, os participantes serão capazes de:

• Configurar e navegar no Google Colab para projetos de aprendizado de máquina.
• Compreender e aplicar diversos algoritmos de aprendizado de máquina.
• Utilizar bibliotecas como a Scikit-learn para analisar e prever dados.
• Implementar modelos de aprendizado supervisionado e não supervisionado.
• Otimizar e avaliar modelos de aprendizado de máquina de forma eficaz.

Esta formação ao vivo, conduzida por um instrutor em Maia, capacita profissionais avançados a otimizar modelos TinyML para dispositivos embarcados com recursos limitados. Os participantes aplicarão técnicas de quantização e poda, implementarão pipelines de inferência de baixa latência e realizarão benchmarking de desempenho em relação aos limites de memória e energia.

Esta formação ao vivo, com instrutor, em Maia (online ou presencial), destina-se a cientistas de dados e desenvolvedores que desejem utilizar modelos de machine learning do ML.NET para derivar automaticamente projeções a partir de análises de dados executadas para aplicações empresariais.

No final desta formação, os participantes serão capazes de:

• Instalar o ML.NET e integrá-lo no ambiente de desenvolvimento de aplicações.
• Compreender os princípios de machine learning por trás das ferramentas e algoritmos do ML.NET.
• Construir e treinar modelos de machine learning para realizar previsões inteligentes com os dados fornecidos.
• Avaliar o desempenho de um modelo de machine learning utilizando as métricas do ML.NET.
• Otimizar a precisão dos modelos de machine learning existentes com base no framework ML.NET.
• Aplicar os conceitos de machine learning do ML.NET a outras aplicações de ciência de dados.

Esta formação ao vivo, orientada por instrutores em Maia (online ou presencial), destina-se a profissionais de dados de nível intermédio que desejam aplicar técnicas de aprendizagem de máquina a problemas empresariais baseados em dados, incluindo previsão de vendas e modelação preditiva utilizando redes neurais.

Ao final desta formação, os participantes serão capazes de:

• Compreender os conceitos centrais e os tipos de aprendizagem de máquina.
• Aplicar algoritmos essenciais para classificação, regressão, agrupamento (clustering) e análise de associação.
• Realizar análises exploratórias de dados e preparação de dados utilizando Python.
• Utilizar redes neurais para tarefas de modelação não linear.
• Implementar análise preditiva para previsões empresariais, incluindo dados de vendas.
• Avaliar e otimizar o desempenho dos modelos utilizando técnicas visuais e estatísticas.

Esta formação ao vivo, dirigida por um instrutor em Maia (online ou presencial), destina-se a profissionais de cibersegurança com nível intermédio a avançado que desejam elevar as suas competências em deteção de ameaças impulsionada por IA e resposta a incidentes.

No final desta formação, os participantes estarão aptos a:

• Implementar algoritmos de IA avançados para a deteção de ameaças em tempo real.
• Personalizar modelos de IA para desafios específicos de cibersegurança.
• Desenvolver fluxos de trabalho de automação para a resposta a ameaças.
• Proteger ferramentas de segurança impulsionadas por IA contra ataques adversários.

Esta formação ao vivo, com instrutor, em Maia (online ou presencial), destina-se a profissionais de cibersegurança em nível inicial que pretendem aprender como aproveitar a IA para melhorar as capacidades de deteção e resposta a ameaças.

No final desta formação, os participantes serão capazes de:

• Compreender as aplicações da IA na cibersegurança.
• Implementar algoritmos de IA para a deteção de ameaças.
• Automatizar a resposta a incidentes com ferramentas de IA.
• Integrar a IA na infraestrutura de cibersegurança existente.

Esta formação ao vivo, com instrutor, (online ou presencial) destina-se a cientistas de dados, engenheiros de machine learning e investigadores em visão computacional que desejam aproveitar o Stable Diffusion para gerar imagens de alta qualidade para uma variedade de casos de utilização.

No final desta formação, os participantes serão capazes de:

• Compreender os princípios do Stable Diffusion e a sua operação na geração de imagens.
• Construir e treinar modelos Stable Diffusion para tarefas de geração de imagens.
• Aplicar o Stable Diffusion a diversos cenários de geração de imagens, como inpainting, outpainting e tradução de imagem para imagem.
• Otimizar o desempenho e a estabilidade dos modelos Stable Diffusion.

Este programa de 8 dias oferece uma jornada completa, desde as fundações sólidas em engenharia de Python até ao design avançado de sistemas de IA. Os participantes desenvolvem práticas de codificação disciplinadas, dominam métodos estatísticos e de aprendizagem profunda e constroem sistemas de IA generativa e baseados em agentes prontos para produção. O foco incide na fiabilidade, na avaliação, na segurança e na implementação no mundo real, em vez de se limitar à experimentação.

Esta formação prática, lecionada por formadores, foi desenhada como uma continuação natural do curso Python for Data Analysis.

Apresenta aos participantes os conceitos fundamentais do Machine Learning e demonstra como estes podem ser aplicados diretamente a tarefas de análise de dados, como previsão, classificação e segmentação.

O foco está em compreender como o Machine Learning funciona na prática, utilizando ferramentas familiares como Python, Pandas e Jupyter Notebook, sem necessitar de um conhecimento avançado em matemática.

Esta formação ao vivo, com instrutor em Maia (online ou presencial), destina-se a analistas de dados, desenvolvedores ou futuros cientistas de dados de nível intermédio que pretendam aplicar técnicas de machine learning em Python para extrair insights, realizar previsões e automatizar decisões baseadas em dados.

No final deste curso, os participantes deverão ser capazes de:

• Compreender e distinguir os principais paradigmas de machine learning.
• Explorar técnicas de pré-processamento de dados e métricas de avaliação de modelos.
• Aplicar algoritmos de machine learning para resolver problemas de dados do mundo real.
• Utilizar bibliotecas Python e notebooks Jupyter para desenvolvimento prático.
• Construir modelos para previsão, classificação, recomendação e aglomeração (clustering).