Pós-Graduação - Turmas de Maio:
16 de maio
Matricule-se.
Preencha as informações e efetue o pagamento para confirmar sua matrícula.
Em dúvida sobre o curso mais adequado ao seu perfil?
Gostaria de conhecer melhor o nosso modelo de ensino?
Que tal experimentar nosso ambiente de ensino para sentir como o IGTI ajudará você a se conectar com seu futuro?
A pós em Desenvolvimento Full Stack está de cara nova e em novo formato!
Chegou a pós em Desenvolvimento Full Stack e Full Cycle com condição especial de lançamento: parcelas de R$ 249 no boleto.
Acelere sua carreira com a pós em desenvolvimento
full stack e
full cycle reconhecida pelo MEC. Amplie seu domínio em
front end e
back end, adquirindo as competências essenciais para
liderar, arquitetar e implementar soluções complexas em grandes empresas.
AULAS 100% GRAVADAS
Aprenda com que faz: aulas com o coordenador do curso Gustavo Aguilar e com professores atuantes no mercado, gestores e líderes.
Para você que tem uma rotina intensa e possui dificuldades de encaixar compromissos na agenda, a cada bootcamp liberado, 100% das aulas estarão já disponíveis para você acelerar sua carreira em Desenvolvimento Full Stack e Full Cycle no seu ritmo e do seu jeito.
Aqui, você está no comando:
sua rotina define o ritmo dos estudos e a autonomia é toda sua.
Acelere sua jornada profissional.
Imediato: comece suas aulas JÁ, sem esperar uma data específica.
em 6 meses
Lato sensu chancelado pelo MEC
3 certificados
Confira as vagas para as profissões disponíveis no LinkedIn.
Desenvolvedor Full Stack
Desenvolvedor Back-End
Arquiteto de Software
800 mil vagas
Relatório aponta alta empregabilidade no mercado tech com demanda de mais de 800mil profissionais de tecnologia até 2025.
Fonte: Brasscom - 2022
R$ 9.174
Salário médio de um(a) Desenvolvedor Full Stack no Brasil.
Fonte:
Glassdoor - Abril 2024
Investimos em parte da sua Pós.
Mestrando em Educação com ênfase em Tecnologias da Informação e da Comunicação (TIC), bacharel em Ciência da Computação, pós-graduado em Administração de Banco de Dados, com especialização em Docência no Ensino Superior, e MBAs em Ciência de Dados e Cloud Computing.
Profissional de Tecnologia da Informação com mais de 20 anos de experiência na área de banco de dados, tendo trabalhado em grandes empresas do setor de telecomunicação, cobrança, imóveis e locação de veículos. Com grande vivência em administração de ambientes de missão crítica em diversas plataformas, sizes e topologias, atua como Database Tech Lead, consultor em Administração de Banco de Dados, Arquitetura de Dados e Cloud Computing, sendo também instrutor oficial Microsoft (MCT), certificado em Azure, AWS, Google Cloud e Oracle Cloud (OCI).
Fortaleça seu currículo com uma pós-graduação em até 6 meses.
Bootcamp
Módulo 1 | Desenvolvimento Back End com Javascript
Módulo 2 | Autenticação e Autorização com JavaScript
Módulo 3 | Banco de Dados + Node.js
Módulo 4 | Tópicos Especiais em Desenvolvimento Back End
Bootcamp
Módulo 1 | JavaScript Avançado
Módulo 2 | React I
Módulo 3 | React II
Módulo 4 | React III
Bootcamp
Módulo 0 | Fundamentos de Cloud Computing
Módulo 1 | Fundamentos de Arquitetura de Software
Módulo 2 | Requisitos Arquiteturais e Modelagem Arquitetural
Módulo 3 | Design Patterns, Estilos e Padrões Arquiteturais
Módulo 4 | Principais Arquiteturas de Software da Atualidade
O sucesso dos nossos alunos é o nosso sucesso! Transformamos você em um(a) profissional de alto nível para trabalhar nas melhores empresas.
Algumas empresas em que nossos alunos atuam:
100% das startups com mais de 1000 funcionários
contam com a presença de alunos da XP Educação.
Fonte: AAA Inovação - 2023
80% das marcas mais valiosas
contam com a presença de alunos da XP Educação.
Fonte: InvestNews - XP Educação
50% dos nossos alunos atuam em
empresas com mais de 1000 funcionários
Fonte: Pesquisa XP Educação - 2023
Somos investidores oficiais da sua carreira.
Sua pós com parcelas que cabem no seu bolso!
De: R$ 10.036
Por: parcelas de R$ 249
no boleto*
*Consulte condições.
Outras formas de pagamento:
Se preferir, fale agora com nossos especialistas e tire suas dúvidas.
*Atendimento das 9 às 21 horas, de segunda a sexta-feira (exceto feriados).
XP Educação, uma empresa
Nascemos de um sonho grande de transformar a educação com a mesma lógica de quem transformou o mercado financeiro.
Aqui, o mercado é sua sala de aula.
A escola que nasceu dentro da XP, uma empresa inovadora e disruptiva.
Ensino prático, imersivo e interativo, com aulas ao vivo e online, com tecnologia e qualidade.
Graduações, pós e MBAs em TI, negócios e finanças, além de bootcamps e cursos livres.
São profissionais atuantes no mercado. Aprenda com quem está na linha de frente de grandes empresas.
Introdução ao Aprendizado de Máquina (Machine Learning);
Conceitos básicos de Sistemas Especialistas;
Algoritmos de Aprendizado Supervisionado;
Algoritmos de Aprendizado Não-supervisionado;
Conceitos de Classificação e regressão;
Sistemas de recomendação;
Redes Neurais e Deep Learning;
Aprendizado por Reforço (Reinforcement Learning);
Processamento de Texto e Análise de Sentimentos;
Principais aplicações de Aprendizado de Máquina;
Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.
Desenvolver uma aplicação de aprendizado de máquina para modelos de classificação e regressão.
Desenvolver uma aplicação que utilize diferentes modelos de aprendizado de máquina para classificação.
Introdução à Modelagem Preditiva;
Passos para a construção de um Modelo Preditivo;
Resampling, Boosting;
Algoritmos para construção de Modelos Preditivos;
Comparação entre modelos;
Aplicações de Modelos Preditivos;
Séries temporais;
Modelos paramétricos para a análise de séries temporais;
RNR e CNN para a previsão de séries temporais.
Desenvolver uma aplicação de análise preditiva utilizando o google colab.
Desenvolver uma aplicação de análise preditiva através de dados de séries temporais. (bolsa de valores, variação de temperaturas etc)
Cross-Validation para validação e seleção de modelos;
Estimativa de desempenho de modelos;
Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento;
Métricas multilabel;
Escolha de algoritmos;
Configuração/Parametrização adequada de algoritmos;
Tuning, Randomized Parameter, Optimization, Força bruta, Exhaustive Grid Search.
Medidas de qualidade;
Avaliação da qualidade de uma solução;
Curvas de validação e Curvas de aprendizado.
Aplicar os conceitos de sintonia de hiperparâmetros para a melhoria de desempenho dos algoritmos.
Utilizar diferentes modelos para a classificação ou regressão e mostrar qual deve ser a melhor escolha através das métricas de desempenho e sintonia de hiperparâmetros.
Algoritmos de aprendizado de máquina supervisionado e não supervisionado;
Redes neurais artificiais;
Deep Learning;
Exploração e generalização;
Aprendizado de Máquina por reforço online e batch;
Teoria dos jogos;
Agente e multiagente;
Processo de decisão de Markov (MDP);
Aplicações.
Deploy de modelos (flask/django).
Aplicar algoritmos baseados em redes neurais artificiais para a solução de problemas de classificação e regressão.
Aplicar os conceitos de redes neurais artificiais, em deep learning, e aprendizado por reforço para a solução de problemas complexos.
.
Introdução, ordem cronológica e história das Redes Neurais Artificiais;
Características básicas de Redes Neurais Artificiais;
Estrutura do neurônio artificial;
Funções de Ativação, Perda e Custo;
Descida do Gradiente;
Learning Rate;
O modelo MCP;
Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não-
Supervisionado);
Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);
AlexNet;
Algoritmo Backpropagation;
Redes de Função de Base Radial;
GAN, GRU e LSTM;
Aplicações de Redes Neurais Artificiais;
Reconhecimento de padrões;
Classificação de imagens;
Séries Temporais;
Geração de conteúdo;
Precificação Dinâmica;
Convolutional Neural Networks (CNN);
Definição da quantidade de camadas e do número de neurônios;
Redes Neurais Recorrentes (RNR) e Recursivas (Recurrent and Recursive Neural Networks).
Aplicar os conceitos de deep learning para a solução de problemas complexos. Esse trabalho de mostrar o “poder” do deep learning.
Aplicar a rede CNN para a classificação de imagens e comparar o desempenho dessa classificação com outros algoritmos de ML.
Introdução ao Processamento da Linguagem Natural;
Estrutura e sintaxe da linguagem;
Técnicas de pré-processamento de textos;
Word2Vec;
BagOfWords;
Glove;
Arquitetura de Processamento da Linguagem Natural;
Coleta de dados Web e redes sociais;
Análise de Sentimento;
Análise semântica;
Desambiguação;
Processamento de textos;
Tradução de textos
Aplicar os conceitos de pré-processamento de textos para a construção de modelos de aprendizado.
Aplicar os conceitos do aprendizado de máquina para a análise de sentimento.
Módulo 3 - Sistemas de Recomendação
Introdução aos sistemas de recomendação;
Métodos para recomendações;
Medidas de similaridade;
Amostragem;
Dimensão reduzida;
Recomendação por associação;
Filtragem Colaborativa para recomendação;
Filtragem baseada em conteúdo;
Filtragem Demográfica;
Agrupamento K-means aplicado à Sistemas de Recomendação;
Análise de Correlação aplicada à Sistemas de Recomendação;
Métrica para avaliação de sistemas de recomendação.
Aplicar os conceitos de similaridade para a construção de sistemas de recomendação.
Avaliar diferentes algoritmos e selecionar o mais adequado para a construção de sistemas de recomendação.
Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/gateways);
Elementos constituintes e características dos dispositivos IoT;
Particularidades dos dados gerados pelos dispositivos IoT;
Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data
warehouse etc);
Computação em nuvem, neblina e edge na IoT;
Dispositivos para IoT (Arduino e Raspberry Pi);
Análise de dados em dispositivos IoT;
Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e governamental;
Importância do aprendizado de máquina para a IoT;
Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.
Aplicação de modelos de aprendizado de máquina para a identificação de anomalias em dados coletados por sensores.
Criar um BMC, um PMC e uma lista de OKR´s para um projeto, utilizando alguma plataforma gratuita (Trello, Canvanizer, Jira, etc).
.
A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado.
É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. No PA, você será apresentado para problemas com alto grau de incerteza e o desafio será propor ideias inovadoras para solucioná-los.
O projeto substitui o tradicional Trabalho de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor, aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.
Ao longo do PA, você terá dinâmicas de grupo e orientação personalizada para auxiliá-lo(a) nesta etapa.
Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação chancelado pelo MEC e terá ainda mais habilidades técnicas para alavancar sua carreira.
.
Transforme a sua carreira em
Pós-Graduação lato sensu para você virar especialista
Experiência educacional interativa, hands-on e centrada no aluno. Uma oportunidade para você dar um salto na carreira.
Cursos atualizados e adequados para sua sua jornada profissional
Conteúdo de qualidade, com teoria e muita prática para você criar soluções para problemas enfrentados no dia a dia de trabalho.
Agilidade, qualidade, foco no aluno, suporte e acessibilidade
Professores que são referência em suas áreas. Curso prático que contempla conteúdo teórico, dois desafios e Projeto Aplicado.
A melhor educação em TI para todos
Cursos acessíveis de formação profissional para você se destacar no mercado de tecnologia. Vamos juntos transformar a educação em TI no Brasil.
Na etapa Inovação e Design Thinking o aluno irá aprender uma abordagem para resolver problemas, fomentar a criatividade e a inovação centrada no usuário.
Na etapa Desafio e Solução, o aluno terá oportunidade de planejar todo o seu projeto, aplicando as técnicas aprendidas em Inovação e Design Thinking juntamente com as ferramentas utilizadas pela metodologia ágil.
A construção da solução é realizada por Sprints, que são etapas determinadas em espaços específicos de tempo, em que um conjunto de atividades devem ser executadas. Ao final, será feita uma entrega relevante para o desenvolvimento da solução.
Em cada Sprint o aluno incrementará o seu Projeto Aplicado, apresentando as evidências do planejamento, da execução dos requisitos e da solução. Além disso, será possível validar as hipóteses e estratégias levantadas no início do projeto.
Esta é a última etapa do Projeto Aplicado, em que o aluno irá reunir a documentação acumulada ao longo das Sprints, consolidar os resultados e defender seu trabalho na forma de "pitch" para uma banca avaliadora.
Matricule-se.
Preencha as informações e efetue o pagamento para confirmar sua matrícula.
Em dúvida sobre o curso mais adequado ao seu perfil?
Gostaria de conhecer melhor o nosso modelo de ensino?
Que tal experimentar nosso ambiente de ensino para sentir como o IGTI ajudará você a se conectar com seu futuro?
Introdução ao Aprendizado de Máquina (Machine Learning);
Conceitos básicos de Sistemas Especialistas;
Algoritmos de Aprendizado Supervisionado;
Algoritmos de Aprendizado Não-supervisionado;
Conceitos de Classificação e regressão;
Sistemas de recomendação;
Redes Neurais e Deep Learning;
Aprendizado por Reforço (Reinforcement Learning);
Processamento de Texto e Análise de Sentimentos;
Principais aplicações de Aprendizado de Máquina;
Introdução às Principais linguagens de programação e frameworks utilizados em Aprendizado de Máquina.
Desenvolver uma aplicação de aprendizado de máquina para modelos de classificação e regressão.
Desenvolver uma aplicação que utilize diferentes modelos de aprendizado de máquina para classificação.
Introdução à Modelagem Preditiva;
Passos para a construção de um Modelo Preditivo;
Resampling, Boosting;
Algoritmos para construção de Modelos Preditivos;
Comparação entre modelos;
Aplicações de Modelos Preditivos;
Séries temporais;
Modelos paramétricos para a análise de séries temporais;
RNR e CNN para a previsão de séries temporais.
Desenvolver uma aplicação de análise preditiva utilizando o google colab.
Desenvolver uma aplicação de análise preditiva através de dados de séries temporais. (bolsa de valores, variação de temperaturas etc)
Cross-Validation para validação e seleção de modelos;
Estimativa de desempenho de modelos;
Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento;
Métricas multilabel;
Escolha de algoritmos;
Configuração/Parametrização adequada de algoritmos;
Tuning, Randomized Parameter, Optimization, Força bruta, Exhaustive Grid Search.
Medidas de qualidade;
Avaliação da qualidade de uma solução;
Curvas de validação e Curvas de aprendizado.
Aplicar os conceitos de sintonia de hiperparâmetros para a melhoria de desempenho dos algoritmos.
Utilizar diferentes modelos para a classificação ou regressão e mostrar qual deve ser a melhor escolha através das métricas de desempenho e sintonia de hiperparâmetros.
Algoritmos de aprendizado de máquina supervisionado e não supervisionado;
Redes neurais artificiais;
Deep Learning;
Exploração e generalização;
Aprendizado de Máquina por reforço online e batch;
Teoria dos jogos;
Agente e multiagente;
Processo de decisão de Markov (MDP);
Aplicações.
Deploy de modelos (flask/django).
Aplicar algoritmos baseados em redes neurais artificiais para a solução de problemas de classificação e regressão.
Aplicar os conceitos de redes neurais artificiais, em deep learning, e aprendizado por reforço para a solução de problemas complexos.
.
Introdução, ordem cronológica e história das Redes Neurais Artificiais;
Características básicas de Redes Neurais Artificiais;
Estrutura do neurônio artificial;
Funções de Ativação, Perda e Custo;
Descida do Gradiente;
Learning Rate;
O modelo MCP;
Treinamento e Técnicas de Aprendizado (Supervisionado, Semi-supervisionado e Não-
Supervisionado);
Perceptron e Rede Perceptron de Múltiplas Camadas (MLP);
AlexNet;
Algoritmo Backpropagation;
Redes de Função de Base Radial;
GAN, GRU e LSTM;
Aplicações de Redes Neurais Artificiais;
Reconhecimento de padrões;
Classificação de imagens;
Séries Temporais;
Geração de conteúdo;
Precificação Dinâmica;
Convolutional Neural Networks (CNN);
Definição da quantidade de camadas e do número de neurônios;
Redes Neurais Recorrentes (RNR) e Recursivas (Recurrent and Recursive Neural Networks).
Aplicar os conceitos de deep learning para a solução de problemas complexos. Esse trabalho de mostrar o “poder” do deep learning.
Aplicar a rede CNN para a classificação de imagens e comparar o desempenho dessa classificação com outros algoritmos de ML.
Introdução ao Processamento da Linguagem Natural;
Estrutura e sintaxe da linguagem;
Técnicas de pré-processamento de textos;
Word2Vec;
BagOfWords;
Glove;
Arquitetura de Processamento da Linguagem Natural;
Coleta de dados Web e redes sociais;
Análise de Sentimento;
Análise semântica;
Desambiguação;
Processamento de textos;
Tradução de textos
Aplicar os conceitos de pré-processamento de textos para a construção de modelos de aprendizado.
Aplicar os conceitos do aprendizado de máquina para a análise de sentimento.
Módulo 3 - Sistemas de Recomendação
Introdução aos sistemas de recomendação;
Métodos para recomendações;
Medidas de similaridade;
Amostragem;
Dimensão reduzida;
Recomendação por associação;
Filtragem Colaborativa para recomendação;
Filtragem baseada em conteúdo;
Filtragem Demográfica;
Agrupamento K-means aplicado à Sistemas de Recomendação;
Análise de Correlação aplicada à Sistemas de Recomendação;
Métrica para avaliação de sistemas de recomendação.
Aplicar os conceitos de similaridade para a construção de sistemas de recomendação.
Avaliar diferentes algoritmos e selecionar o mais adequado para a construção de sistemas de recomendação.
Conceitos fundamentais para a Internet das Coisas (atuadores/sensores/gateways);
Elementos constituintes e características dos dispositivos IoT;
Particularidades dos dados gerados pelos dispositivos IoT;
Diferenças entre o Big Data IoT e o Big Data gerado por outras fontes (redes sociais, data
warehouse etc);
Computação em nuvem, neblina e edge na IoT;
Dispositivos para IoT (Arduino e Raspberry Pi);
Análise de dados em dispositivos IoT;
Aplicações IoT: cidades inteligentes, veículos conectados, veículos autônomos, cuidado com a saúde (healthcare), domótica (automação residencial), indústria 4.0 e governamental;
Importância do aprendizado de máquina para a IoT;
Algoritmos e frameworks utilizados para o aprendizado de máquina na IoT.
Aplicação de modelos de aprendizado de máquina para a identificação de anomalias em dados coletados por sensores.
Criar um BMC, um PMC e uma lista de OKR´s para um projeto, utilizando alguma plataforma gratuita (Trello, Canvanizer, Jira, etc).
.
A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado.
É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. No PA, você será apresentado para problemas com alto grau de incerteza e o desafio será propor ideias inovadoras para solucioná-los.
O projeto substitui o tradicional Trabalho de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor, aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.
Ao longo do PA, você terá dinâmicas de grupo e orientação personalizada para auxiliá-lo(a) nesta etapa.
Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação chancelado pelo MEC e terá ainda mais habilidades técnicas para alavancar sua carreira.
.
Transforme a sua carreira em
Pós-Graduação lato sensu para você virar especialista
Experiência educacional interativa, hands-on e centrada no aluno. Uma oportunidade para você dar um salto na carreira.
Cursos atualizados e adequados para sua sua jornada profissional
Conteúdo de qualidade, com teoria e muita prática para você criar soluções para problemas enfrentados no dia a dia de trabalho.
Agilidade, qualidade, foco no aluno, suporte e acessibilidade
Professores que são referência em suas áreas. Curso prático que contempla conteúdo teórico, dois desafios e Projeto Aplicado.
A melhor educação em TI para todos
Cursos acessíveis de formação profissional para você se destacar no mercado de tecnologia. Vamos juntos transformar a educação em TI no Brasil.
Na etapa Inovação e Design Thinking o aluno irá aprender uma abordagem para resolver problemas, fomentar a criatividade e a inovação centrada no usuário.
Na etapa Desafio e Solução, o aluno terá oportunidade de planejar todo o seu projeto, aplicando as técnicas aprendidas em Inovação e Design Thinking juntamente com as ferramentas utilizadas pela metodologia ágil.
A construção da solução é realizada por Sprints, que são etapas determinadas em espaços específicos de tempo, em que um conjunto de atividades devem ser executadas. Ao final, será feita uma entrega relevante para o desenvolvimento da solução.
Em cada Sprint o aluno incrementará o seu Projeto Aplicado, apresentando as evidências do planejamento, da execução dos requisitos e da solução. Além disso, será possível validar as hipóteses e estratégias levantadas no início do projeto.
Esta é a última etapa do Projeto Aplicado, em que o aluno irá reunir a documentação acumulada ao longo das Sprints, consolidar os resultados e defender seu trabalho na forma de "pitch" para uma banca avaliadora.
XP EDUCAÇÃO
CURSOS
ÁREA DO ALUNO
ATENDIMENTO XP EDUCAÇÃO
+55 31 3047 3611
Segunda a sexta-feira,
das 11h às 19h.
Consulte aqui o cadastro da instituição no sistema e-MEC
Ou, se preferir, clique aqui
Este site usa cookies e dados pessoais de acordo com os nossos Termos de Uso e Política de Privacidade.
Todos os direitos reservados | XP Educação