Curso: Estatística e Machine Learning para Aplicações Reais- Módulo II

Carga horária: 8 h

Local: Aulas online em tempo real, via Google Meet.

Vagas: 20

Inscrições: Até 25/06/2026.

Período: 27/06 e 04/07/2026 (Sábados)

Horário: Das 09h00 às 13h00

Público alvo: O curso Estatística e Machine Learning para Aplicações Reais é voltado para qualquer pessoa interessada em aprender a aplicar conceitos estatísticos e técnicas de machine learning em problemas do mundo real, tanto no mercado de trabalho quanto na pesquisa científica. Não é exigido nenhum conhecimento prévio em programação, estatística ou matemática avançada. O curso foi desenvolvido para que iniciantes possam acompanhar e absorver os conteúdos, ao mesmo tempo em que oferece aplicações práticas e relevantes que são úteis para profissionais de diversas áreas, como administração, engenharia, saúde, economia, marketing, ciência de dados e pesquisa acadêmica. O público-alvo inclui estudantes, profissionais, pesquisadores ou qualquer pessoa que queira desenvolver habilidades analíticas e quantitativas, compreender modelos estatísticos e de aprendizado de máquina, interpretar resultados e tomar decisões baseadas em dados.

Investimento: R$ 258,77 no boleto, ou parcelado (com juros) em até 3x no cartão.

Pré-requisitos exigidos: Não são exigidos pré-requisitos para participação no curso Estatística e Machine Learning para Aplicações Reais. O curso foi planejado para que qualquer pessoa interessada possa acompanhar, independentemente de experiência prévia em estatística, programação, matemática ou ciência de dados.

Os conteúdos serão apresentados de forma acessível, com ênfase em conceitos, aplicações práticas e interpretação de resultados, garantindo que iniciantes possam aprender e aplicar os modelos, ao mesmo tempo em que participantes com alguma experiência possam aprofundar suas competências analíticas.

Ementa:

27/06/2026

Bloco 1 Modelos Baseados em Árvores (2h)

-Árvores de decisão: interpretação, regras e segmentação

-Random Forest: redução de variância e importância de variáveis

-Aplicações práticas em classificação e previsão

Bloco 2 Métodos de Classificação Clássicos (2h)

-K-vizinhos mais próximos (KNN): classificação e recomendação

-Naive Bayes: classificação probabilística

-Regressão logística (visão de ML) aplicada à classificação

-Comparação entre modelos e escolha prática

04/07/2026

Bloco 3 Máquinas de Vetores de Suporte (SVM) (2h)

-Conceito de margem máxima

-Separação linear e não linear (kernel)

-Aplicações em classificação e detecção de padrões

-Interpretação e limitações do modelo

Bloco 4 Redes Neurais e Aplicações Integradas (2h)

-Conceitos básicos de redes neurais artificiais

-Perceptron e redes multicamadas

-Aplicações em classificação e previsão

-Comparação entre modelos (árvores, SVM, redes neurais)

-Estudo de caso integrando diferentes técnicas

Metodologia:

O curso será ministrado por meio de uma abordagem prática e aplicada, combinando conceitos teóricos com exercícios e estudos de caso que simulam situações reais do mercado e da pesquisa científica. A ênfase estará na compreensão e interpretação de modelos estatísticos e de machine learning, priorizando a aplicação dos conhecimentos em problemas concretos, sem depender de programação avançada.

As aulas serão organizadas em blocos temáticos de 2 horas, permitindo uma progressão gradual do conteúdo, desde fundamentos estatísticos até técnicas mais avançadas de modelagem e análise de dados. Cada bloco incluirá:

Exposição teórica concisa, com foco nos conceitos essenciais e em exemplos práticos;

Análise de casos reais, para demonstrar a aplicação dos modelos em diferentes contextos, como negócios, saúde, engenharia, marketing e pesquisa científica;

Exercícios guiados, nos quais os participantes aplicarão os métodos aprendidos, interpretando resultados e tomando decisões baseadas em dados;

Discussão e interpretação de resultados, promovendo aprendizado ativo e reflexão crítica sobre as técnicas utilizadas.

O curso será desenvolvido de forma que todos os participantes possam acompanhar, independentemente de experiência prévia em estatística, programação ou análise de dados. As ferramentas computacionais (como R ou Python) serão utilizadas somente como apoio para visualização e experimentação, sem exigir conhecimento prévio.

Ao final de cada módulo, os participantes terão oportunidade de aplicar os conceitos aprendidos em mini-projetos ou estudos de caso integrados, consolidando a compreensão e fortalecendo a capacidade de análise de dados para uso em pesquisas ou projetos profissionais.

Material instrucional e de apoio didático:

Todo o material do curso será disponibilizado pelo professor aos participantes em formato digital. Inclui conteúdos teóricos, exemplos práticos, exercícios e estudos de caso, com foco na aplicação de estatística e machine learning em problemas reais. O material permitirá que os alunos revisem conceitos, pratiquem técnicas e consolidem o aprendizado de forma prática e eficiente.

Coordenador: Professor Luiz Ledo Mota Melo Junior

Telefone: 41 995751233

Email luizledo@utfpr.edu.br

Instrutor: Professor Luiz Ledo Mota Melo Junior

Formado em Estatística pela UFPR (2004),

Mestrado em Estatística pela UFRJ (2008),

Doutorado em Engenharia Elétrica pela UTFPR.

Professor do Departamento Acadêmico de Estatística UTFPR

Maiores informações:

Divisão de Cursos de Extensão: UTFPR Sede Centro, Bloco J, Térreo

E-mail para contato: dicpro-ct@utfpr.edu.br

Horário de atendimento: 08h às 12h e das 13h às 17h

https://utfpr.curitiba.br/cursosdeextensao/