Cursos de Extensão
Análise de Dados em Aprendizado de Máquinas
O Departamento de Estatística da UFMG está oferecendo cursos de extensão sobre “Análise de Dados em Aprendizado de Máquinas”, voltado para profissionais, professores e estudantes graduados em qualquer área acadêmica, que desejam se especializar em algoritmos de aprendizado de máquina e inteligência artificial.
O Aprendizado de Máquinas é um ramo da inteligência artificial que faz uso de modelos estatísticos para desenvolver modelagem e previsões.
Em termos técnicos básicos, o aprendizado de máquina usa algoritmos que coletam dados empíricos ou históricos, analisam-nos e geram resultados com base nessa análise.
O curso é oferecido em 3 módulos, que podem ser cursados de forma independente. Todas as disciplinas são construídas de forma a aliar conhecimentos teóricos e computacionais. Os exemplos são demonstrados através de aplicações a conjuntos de dados reais.
O primeiro módulo é voltado a profissionais com pouca ou nenhuma experiência nas principais linguagens de programação utilizadas em ciência de dados. Seu objetivo é introduzir os conceitos fundamentais de programação aplicados à área, por meio das linguagens R e Python, com ênfase no desenvolvimento de habilidades voltadas à manipulação e organização de dados nessas plataformas.
Módulo 1: Introdução aos Softwares R e Python para Ciência de Dados
objetos, criação de funções e gerenciamento de pacotes. O módulo também explorará técnicas de organização, manipulação e visualização
de dados, essenciais para o trabalho cotidiano de um cientista de dados. Por fim, serão apresentadas ferramentas para o desenvolvimento de documentos dinâmicos utilizando o quarto e aplicações web interativas usando o shiny para R e Python), que facilitam a comunicação e a divulgação dos resultados de análise
Investimento: R$ 600,00
Período de realização: 19/02/2026 a 31/03/2026
Período de inscrições/matrícula: até dia 13/02/2026
Link para inscrições/matrícula: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=12243
Curso de Extensão: Elementos de Aprendizado de Máquina
O Departamento de Estatística da UFMG oferece o curso de extensão “Elementos de Aprendizado de Máquina”, voltado para profissionais, professores e estudantes interessados em compreender e aplicar conceitos fundamentais de Machine Learning em bases de dados. O curso é estruturado em três módulos independentes, permitindo que os participantes escolham conforme seu interesse e nível de conhecimento.
Cada módulo tem como objetivo capacitar os participantes no uso de ferramentas estatísticas e computacionais, com ênfase na seleção e interpretação de modelos adequados para diferentes tipos de variáveis e estruturas de dados. O curso será ministrado de forma remota (EAD), com aulas síncronas às quartas-feiras de 19:00 às 22:00 e aos sábados de 08:00 às 13:00.
Módulo 1: Aprendizado de Máquina Supervisionado
Período: 13/08/2025 a 06/09/2025
Docente: Prof. Marcos Oliveira Prates (DEST/UFMG)
Conteúdo: Modelos de regressão (Lasso, Ridge), árvores de regressão, classificação (logística, Naive Bayes, SVM), métodos de vizinhos mais próximos, redução de dimensionalidade e introdução ao clustering.
Valor: R$500,00
Módulo 2: Aprendizado Profundo (Redes Neurais Artificiais)
Período: 13/09/2025 a 04/10/2025
Docente: Prof. Marcelo Azevedo Costa (Engenharia de Produção/UFMG)
Conteúdo: Fundamentos e aplicações de Deep Learning, visão computacional, processamento de texto e melhores práticas para aplicações avançadas.
Valor: R$500,00
Módulo 3: Aprendizado de Máquina Não Supervisionado
Período: 11/10/2025 a 01/11/2025
Docente: Prof. Uriel Moreira Silva (DEST/UFMG)
Conteúdo: Análise de componentes principais, análise fatorial, análise de agrupamento, análise discriminante e de variância multivariada.
Valor: R$500,00
Informações importantes: Os cursos utilizam principalmente o software R para aplicação dos conceitos e estimação dos modelos, com exemplos práticos em conjuntos de dados reais. É recomendável, mas não obrigatório, ter familiaridade com regressão linear e noções básicas de estatística.
Inscreva-se em: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=12151
Curso de Extensão: Elementos de Aprendizado de Máquina
O Departamento de Estatística da UFMG oferece o curso de extensão “Elementos de Aprendizado de Máquinas”, voltado para profissionais, professores e estudantes interessados em compreender e aplicar conceitos fundamentais de Machine Learning em bases de dados. O curso busca capacitar os participantes no uso de ferramentas estatísticas e computacionais para análise de dados, com ênfase na seleção e interpretação de modelos adequados para diferentes tipos de variáveis.
O curso foca na seleção e análise de modelos, com procedimentos adequados para dados de contagem e observações com distribuição não Gaussiana. Serão abordados conhecimentos teóricos e computacionais, utilizando basicamente o software R para estimação dos modelos. É desejável, mas não obrigatório, que os interessados possuam conhecimentos sobre o modelo de regressão linear para dados com distribuição Normal. Os exemplos são demonstrados através de aplicações a bancos de dados.
O curso será oferecido em formato EAD, com carga horária de 45 horas, no período de 21 de maio a 28 de junho de 2025, com aulas síncronas às quartas-feiras de 19:00 às 22:00 e aos sábados de 08:00 às 13:00.
Custo total do curso: R$500,00
Docente: Prof. Marcos Oliveira Prates (DEST/UFMG)
Inscreva-se em: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=11964
Ementa:
Introdução aos Modelos Lineares Generalizados: Família exponencial. Inferência. Regressão para dados de contagem (Poisson), modelos com OFFSET. Regressão para respostas binárias (Logística), análise de sensibilidade e especificidade, curva ROC. Conceitos de Superdispersão e Subdispersão. Splines (Regressão Polinomial Parcial), GAM (Modelos Aditivo Generalizados), CART (Árvores de Regressão e Classificação). Uso do Bootstrap paramétrico e não paramétrico.
Referências:
1. CORDEIRO, G. M., Modelos Paramétricos. 16º SINAPE , ABE – Associação Brasileira de Estatística.
2. COSTA, Marcelo A.; Tópicos em Ciência dos Dados – Introdução dos Modelos Paramétricos e suas aplicações utilizando o R. Editora Bonecker, 1ª Edição, 2020.
3. Demétrio, C. G. B., Modelos Lineares Generalizados em Experimentação Agronômica, 2002.
4. Dobson, A. J., An Introduction to Generalized Linear Models, Chapman & Hall, 1990.
5. VENABLES, W. N., SMITH, D. M. An Introduction to R. technical manual.
Curso de Extensão: Modelos Preditivos Lineares
O Departamento de Estatística está oferecendo o curso de extensão de “Modelos Preditivos Lineares” para profissionais, professores e alunos que necessitam utilizar corretamente tecnologias e ferramentas estatísticas para manipular, gerenciar, analisar e interpretar dados. O curso é indicado para pessoas que procuram atualização na aplicação de modelos preditivos, com uso da ferramenta computacional R, para análise de banco de dados.
A análise de regressão é uma das primeiras ferramentas usadas para analisar um conjunto de dados. Envolve estimar a relação entre variáveis, e muitas vezes dá uma visão imediata sobre a organização das mesmas. Este método é simples e muitas vezes fornece uma descrição adequada e interpretável de como variáveis explicativas podem afetar uma variável resposta.
O curso é construído de forma a aliar conhecimentos teóricos e computacionais, utilizando basicamente o software R para estimação do modelo. Os exemplos são demonstrados através de aplicações a bancos de dados.
O curso será oferecido em formato EAD, com carga horária de 45 horas, no período de 09 de abril a 17 de maio de 2025, com aulas síncronas às quartas-feiras de 19:00 às 22:00 e aos sábados de 08:00 às 13:00.
Custo total do curso: R$500,00
Docente: Prof. Fábio Nogueira Demarqui (DEST/UFMG)
Inscreva-se em: https://www.cursoseeventos.ufmg.br/CAE/DetalharCae.aspx?CAE=11908
Ementa:
Diagrama de dispersão. Método dos mínimos quadrados. Igualdade entre os estimadores de máxima verossimilhança e método dos mínimos quadrados. Necessidade de hipóteses para a componente de erro do modelo. Análise de Resíduos. Identificação de valores influentes. Transformação de variáveis. Variáveis indicadoras. Multicolinearidade. Seleção do melhor modelo de regressão. Aplicação dos procedimentos de regressão Linear em diversas áreas do conhecimento.
Referências:
1. Julian J. Faraway – Linear Models with R, Chapman & Hall/CRC Texts in Statistical Science, 2004.
2. MONTGOMERY, D. C.; PECK, E. Introduction to linear regression analysis. 3rd Edition. New York: Wiley-Interscience, 2001.