Treinamento e prática abordando técnicas, métodos, modelos, algoritmos das áreas de ciência de dados abaixo, empregando frameworks como DIGITS, Caffe, Theano, Torch, Apache Spark, Intel Nervana e ferramentas como Rapid Miner, Matlab; Palisade; PostgreSQL; Npgsql; Power Architect; PowerBi; Qlik Sense; Qlik View; Rapidminer; R Studio; Anaconda (Phyton); Pentaho Data Integrator; entre outros, e executando em clusters NVIDIA DGX-1, DGX-2 e Intel Sky Lake, além de dispositivos como o Movidius I e II, NVIDIA Jetson Nano e FPGAs Intel Arria 10 (em 2020).
I. BI
II. BIG DATA
III. DATA MINING
IV. MACHINE LEARNING
V. ARTIFICIAL INTELIGENCE
a. NEURAL NETs
b. DEEP LEARNING
c. GENETIC ALGORITHMS
d. FUZZY LOGIC
e. PARTICLE SWARM OPTIMIZATION
VI. STATISTICS
VII. LINGUAGEM DE PROGRAMAÇÃO PYTHON
VIII. TREINAMENTO E INFERÊNCIA SOBRE DADOS não-relacionais: vídeos, imagens, relatórios, artigos científicos, gráficos, tabelas, dados numéricos, ondas eletromagnéticas, canto de pássaros ou ruídos em motores, etc.
IX. PLATAFORMAS DE DESENVOLVIMENTO
X. USO DE CLUSTERS E DOCKERS