Aprendizagem Computacional com Google Colab

Nesta formação, os alunos desenvolverão competências essenciais na aplicação de algoritmos de Machine Learning (ML) para análise e predição de dados, utilizando o ambiente do Google Colab. A formação incluirá tópicos como classificação, regressão e técnicas de deep learning, com ênfase na implementação prática. Os participantes serão capacitados a utilizar o Google Colab para desenvolver modelos de ML eficazes. A avaliação incluirá a aplicação prática dos conceitos aprendidos em projetos utilizando a plataforma Google Colab.

Candidatura

Principais competências a desenvolver no curso

Navegar e utilizar o Google Colab para executar notebooks Python.
Aplicar conceitos básicos de programação em Python relacionados a análise de dados e Machine Learning.
Importar, explorar e preparar datasets para utilização em algoritmos de ML.
Implementar algoritmos básicos de classificação, regressão e segmentação com Python.
Avaliar a performance de modelos utilizando métricas apropriadas.
Apresentar e interpretar os resultados de análises de Machine Learning em projetos práticos

Edições

1ª edição – janeiro 2026
Edição dezembro/janeiro

Duração

8 semanas

ECTS

Regime

Misto (bLearning)

Idioma

Português

Calendarização

Edição	Início do curso	Sessões Síncronas	Sessões Presenciais	Fim do curso
Edição dezembro/janeiro	19-01-2026	a definir	a definir	09-03-2026

Metodologia

O curso decorre na modalidade de bLearning, com interação, fundamentalmente, assíncrona (ou seja, sem comunicação em tempo real e sem um horário diário predefinido), contemplando 30h de sessões síncronas, online ou presenciais.

Presencial/Síncrona

PS.1 Apresentação e discussão dos conteúdos referidos no conteúdo programático;
PS.2 Resolução de exercícios de aplicação prática dos conteúdos programáticos;
PS.3 Desenvolvimento de projeto.

Autónoma/Assíncrona

AA.1 Estudo através de vídeo-aulas, tutoriais, questionários e fóruns de discussão
AA.2 Resolução autónoma de exercícios e projetos propostos.

Público-alvo

Profissionais de TI com interesse na área da aprendizagem computacional.
Estudantes ou profissionais de outras áreas com interesse e motivação para as áreas do curso.
Estudantes, ex-estudantes, professores, bolseiros, investigadores, técnicos e outros profissionais de áreas não CTEAM (Ciências, Tecnologia, Engenharia, Artes e Matemática), bem como para profissionais que queiram prosseguir a docência nas áreas das Tecnologias da Informação e Comunicação (TIC).

Número de vagas

Mínimo: 15

Edital

Consulte o edital na página das candidaturas

Resultados

Consulte os resultados das candidaturas na página dos resultados

Conteúdos a abordar

Módulo 1: Introdução ao Google Colab e ao Python Básico

Apresentação do Google Colab:
- Configuração e uso básico.
- Estrutura de um notebook (células de código e texto).
Introdução ao Python:
- Conceitos básicos: variáveis, operadores, tipos de dados (listas, dicionários).
- Estruturas de controle: loops (for, while) e condições (if).
- Funções simples e importação de bibliotecas essenciais (numpy, pandas,matplotlib).

Módulo 2: Preparação de Dados

Leitura de datasets no Google Colab (exemplo: CSV).
Limpeza básica de dados:
- Tratamento de valores ausentes (remoção ou substituição).
- Verificação de tipos de dados.
Análise exploratória de dados:
- Estatísticas simples (mean, median, etc.).
- Visualização com gráficos simples (matplotlib, seaborn).
Divisão treino/teste com train_test_split (simplificação do processo).

Módulo 3: Introdução à Aprendizagem Supervisionada

Conceitos básicos de Machine Learning:
- Diferença entre classificação e regressão.
- O pipeline geral de um modelo de ML (dados, treino, teste, avaliação).
Classificação:
- Algoritmo Decision Trees como exemplo inicial.
- Avaliação com métricas simples (accuracy, confusion matrix).
Regressão:
- Regressão linear.
- Métricas básicas.

Módulo 4: Introdução à Aprendizagem Não Supervisionada

Conceitos básicos:
- Diferença entre aprendizagem supervisionada e não supervisionada.
- Introdução à segmentação (clustering).
Algoritmos de clustering:
- K-Means aplicado a datasets simples.
- Interpretação dos clusters com gráficos.

Docente(s)

Ricardo Malheiro

ESTG