A disciplina de Feature Engineering é essencial para profissionais que desejam extrair o máximo valor dos dados em projetos de Machine Learning e Inteligência Artificial. Ao longo do curso, os alunos serão introduzidos aos principais conceitos e práticas de engenharia de atributos, aprendendo como transformar dados brutos em informações relevantes que potencializam a performance de modelos preditivos.

Durante a disciplina, serão abordadas técnicas de pré-processamento e transformação de dados, essenciais para lidar com diferentes tipos de variáveis e preparar conjuntos de dados de alta qualidade. Os alunos também aprenderão a criar novas features a partir de dados existentes, explorando métodos de geração e seleção de atributos que impactam diretamente na acurácia e eficiência dos modelos.

Além disso, a disciplina explora práticas avançadas de Feature Engineering aplicadas a Deep Learning, discutindo como preparar dados para redes neurais e modelos complexos. Por fim, serão apresentados frameworks e ferramentas que automatizam o processo de Feature Engineering, permitindo maior agilidade e produtividade no desenvolvimento de soluções de IA.

A disciplina de Reinforcement Learning (Aprendizado por Reforço) mergulha em uma das áreas mais fascinantes e inovadoras da Inteligência Artificial, responsável por avanços notáveis em robótica, jogos, finanças e automação de processos complexos.

Os alunos iniciarão a jornada explorando os conceitos fundamentais do Reinforcement Learning, entendendo como agentes inteligentes aprendem a tomar decisões ótimas por meio de interações com o ambiente. Em seguida, serão aprofundados os fundamentos matemáticos que sustentam essa área, como processos de decisão de Markov, funções de recompensa e políticas de decisão.

A disciplina apresenta os principais algoritmos clássicos de aprendizado por reforço, como Q-Learning e SARSA, evoluindo para abordagens mais modernas e poderosas com o Deep Reinforcement Learning, integrando redes neurais para lidar com ambientes de alta complexidade e grandes volumes de dados.

Além da teoria, serão discutidas aplicações práticas e avançadas do Reinforcement Learning em cenários do mundo real, incluindo otimização de processos industriais, recomendação de conteúdos e controle de sistemas dinâmicos. Por fim, o curso aborda aspectos de MLOps e implementação em produção, preparando os alunos para enfrentar os desafios de escalar e manter soluções de Reinforcement Learning em ambientes corporativos e de alta demanda.