EXIN BCS Machine Learning Award

O aprendizado de máquina está revolucionando os setores, possibilitando a detecção de fraudes, recomendações personalizadas e automação orientada por IA – mas como ele realmente funciona? 

O EXIN BCS Machine Learning Award foi criado para lhe dar uma base sólida em princípios de ML, codificação, algoritmos e aplicações do mundo real – sem exigir conhecimento técnico profundo. 

Veja por que essa certificação é essencial para você: 

• Saiba o que é aprendizado de máquina, como ele funciona e sua função na IA.
• Obtenha insights sobre redes neurais, regressão, classificação, agrupamento e aprendizagem profunda e entenda como eles resolvem problemas do mundo real.
• Entenda como coletar, pré-processar e transformar dados para modelos de aprendizado de máquina, garantindo melhor precisão e desempenho.
• Obtenha um conhecimento abrangente sobre mecanismos de recomendação (por exemplo, Netflix, Spotify) para reconhecimento de objetos, previsão e automação, e explore como o ML é usado nos negócios globalmente.
• Familiarize-se com linguagens de programação e frameworks de ML, como Python, TensorFlow e Scikit-Learn, mesmo que você tenha pouca experiência em programação.
• Saiba como os modelos de ML são treinados, testados, ajustados e implantados em cenários do mundo real.
• Entenda as limitações, vieses e considerações éticas ao implementar soluções de aprendizado de máquina.

• Profissionais de TI 

• Desenvolvedores de software  

• Analistas de dados  

• Cientistas de dados  

• Líderes de negócios e estrategistas de IA  

• Gerentes de projeto  

• Gerentes de produto  

• Engenheiros e consultores técnicos  

• Indivíduos com interesse em IA e experiência em ciência, engenharia, engenharia do conhecimento, finanças, educação ou serviços de TI 

• Obtenha uma introdução estruturada e fácil de seguir sobre os fundamentos do aprendizado de máquina, incluindo aprendizado supervisionado, não supervisionado e semi-supervisionado – mesmo que você seja novo em IA. 

• Entenda a regressão, a classificação, o agrupamento e a aprendizagem profunda – as principais técnicas por trás da tomada de decisões, da automação e da análise preditiva com base em IA. 

• Saiba como as máquinas reconhecem padrões, treinam com dados e melhoram com o tempo sem precisar de um doutorado em estatística. 

• Explore Python, TensorFlow, Scikit-Learn e R – as principais ferramentas para criar modelos de ML, mesmo que você não tenha experiência prévia em codificação. 

• Saiba como coletar, limpar, pré-processar e transformar dados para aprendizado de máquina – habilidades essenciais necessárias para criar modelos de IA precisos e confiáveis. 

• Desde recomendações no estilo Netflix e chatbots até detecção de fraudes e segurança cibernética, entenda como o aprendizado de máquina está impulsionando a inovação em todos os setores. 

• Obtenha uma visão completa de como os modelos de ML são treinados, testados, ajustados e otimizados para implantação no mundo real. 

• Entenda os vieses, as preocupações legais e as implicações éticas do aprendizado de máquina para garantir a implementação responsável da IA. 

Introdução ao aprendizado de máquina 

• Definição e visão geral  

• Aplicações da aprendizagem de máquina 

• Função dos agentes de aprendizagem 

• Conceito de aprendizagem profunda 

• Objetivo e função das redes neurais 

• Integração com sistemas baseados em conhecimento 

• Interação de dados na aprendizagem de máquina 

• Programação em aprendizagem de máquina 

Linguagens de programação para aprendizado de máquina  

• Ferramentas de software: Código aberto vs. proprietário  

• Algoritmos de aprendizado de máquina 

Algoritmos de aprendizado de máquina 

• Fundamentos matemáticos 

• Algoritmos comuns em aprendizado de máquina  

• Tipos de aprendizado: Supervisionado, não supervisionado e semi-supervisionado  

Aplicações práticas do aprendizado de máquina 

• Identificação de problemas para soluções de aprendizado de máquina 

• Preparação e processamento de dados  

• Treinamento de modelos de aprendizado de máquina  

• Teste e validação de modelos  

• Avaliação e relatório de resultados para as partes interessadas 

O conhecimento necessário para o exame é abordado na literatura a seguir: 

1. Aurélien Géron Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems O’Reilly (2022) ISBN: 978-1098125974 (cópia impressa)
2. Oliver Theobald Machine Learning for Absolute Beginners: A Plain English Introduction Publicado independentemente (3ª edição, 2021) ISBN: 979-8558098426
3. Gilbert Strang Linear Algebra and Learning from Data Wellesley-Cambridge Press (1ª edição, 2019) ISBN: 978-0692196380 (cópia impressa)
4. Andrew Lowe, Steve Lawless Fundamentos de inteligência artificial e aprendizado de máquina: Learning From Experience BCS (2024) ISBN: 978-1780176734
5. Sarah Burnett AI in Business: Towards the Autonomous Enterprise BCS (2024) ISBN: 978-1780176673