Curso Online
Data Science & AI Analytics

› Definição e aplicações de Data Science — evolução e estado atual

› O ecossistema atual: ML clássico, LLMs e sistemas com agentes

› Data Mining: principais ramos e técnicas

› Python Fundamentals — variáveis, estruturas, funções, bibliotecas centrais

› Carregamento e limpeza de dados com Pandas

› Feature extraction e visualização exploratória inicial

› AI-assisted coding: introdução ao GitHub Copilot e Claude

› Tipos de dados: numéricos, categóricos, temporais, textuais, geoespaciais

› Estatística descritiva: médias, variância, correlações, quartis

› Dados sujos e em falta: diagnóstico e estratégias de tratamento

› Técnicas de limpeza: imputação, normalização, encoding

› Exploração visual: histogramas, boxplots, scatter plots, heatmaps

› Pandas Profiling e ferramentas de EDA automatizada

› Prompting para análise exploratória com LLMs

› Fundamentos de Information Visualization

› O papel da visualização: explorar vs. comunicar

› Bons e maus exemplos: princípios de Tufte e Cairo

› Plotting com Python: Matplotlib, Seaborn, Plotly

› Dashboards para diferentes audiências

› Construção de um dashboard interativo com Streamlit ou Dash

› AI para narrativa: data storytelling assistido por LLMs

› Ferramentas emergentes: Power BI Copilot, Tableau Pulse

› Business Analytics: definição, tipos e maturidade analítica

› Da pergunta de negócio ao modelo: framework de problema-solução

› KPIs, OKRs e design de métricas

› Forecasting: séries temporais e modelos preditivos para negócio

› Análise de cenários e simulação

› Customer analytics: segmentação, churn, LTV

› LLMs como interface de dados para decisores não técnicos

› Casos de uso por setor: retalho, financeiro, saúde, indústria

› Introdução ao Machine Learning: paradigmas e terminologia

› Regressão: Linear, Ridge, Lasso, Random Forest Regressor

› Classificação: Logistic Regression, Decision Trees, SVM, XGBoost

› Feature Engineering e Feature Selection

› Overfitting, regularização e validação cruzada

› Hyperparameter tuning: Grid Search, Optuna

› Unsupervised Learning: K-Means, DBSCAN, PCA, UMAP

› ML clássico vs. LLMs: comparação de paradigmas

› Pipelines ML + LLMs: abordagens híbridas

› Redes Neuronais: arquitectura, activações, backpropagation

› CNNs e RNNs: contexto histórico e aplicações residuais

› Arquitectura Transformer: atenção, encoder, decoder

› Como funcionam os LLMs: pré-treino, fine-tuning, RLHF, instrução

› Prompting avançado: zero-shot, few-shot, chain-of-thought

› Fine-tuning vs. prompting: quando faz sentido cada um

› RAG: arquitectura, componentes, implementação prática

› Embeddings e pesquisa semântica

› Modelos multimodais: visão, áudio, geração de imagem

› Avaliação e limitações dos LLMs: alucinação, viés, custo

›  O que são agentes de AI: definição, componentes, taxonomia

› Diferença entre LLM, RAG e sistemas agênticos

› Frameworks: LangChain, CrewAI, AutoGen — conceitos e comparação

› Ferramentas e memória em agentes (tool use, memory, planning)

› Agentic analytics: agentes que fazem EDA, geram relatórios, monitorizam dados

› Vibe coding aplicado: construção acelerada de protótipos com AI

› Segurança, governança e limites dos agentes autónomos

› O futuro próximo: tendências em Agentic AI para Data Science

› Viés nos dados e nos modelos: tipos, origens e consequências documentadas

› Fairness, accountability e transparência em sistemas de AI

› Privacidade e protecção de dados: RGPD e implicações para data science

› EU AI Act: o que muda na prática para quem constrói sistemas com AI

› Explicabilidade e interpretabilidade: XAI e os seus limites

› Riscos de concentração: poder, acesso e assimetrias nos sistemas de AI

› Impacto no trabalho: automação, augmentation e o papel do profissional de dados

› AI Risk Assessment: frameworks e aplicação prática

› O profissional responsável: quando dizer não, como escalar preocupações