ANESP

View Original

Três cursos do Programação de Aperfeiçoamento para Carreiras estão com inscrições abertas

A Coordenação-Geral de Desenvolvimento Estratégico da Enap divulga Cursos do Programa de Aperfeiçoamento para Carreiras para o mês de julho de 2020. Confira abaixo.        

Implementação de Políticas Públicas - Módulo 2: Desenho, arranjos e governança da implementação

Docentes: Roberto Pires e Gabriela Lotta

Sala de Aula Virtual (Google Classroom)

Período das aulas: 06/07/2020 - 12/08/2020 (vespertino)

Inscrições: 23/06/2020 - 05/07/2020

Principais Tópicos: Emergência dos estudos de implementação; introdução à perspectiva top-down; Complexidade, governança e capacidades estatais: desenho institucional e a abordagem dos arranjos; Dimensões de análise de arranjos institucionais; Instrumentação da ação pública; Pontos cegos, lacunas e vieses de atenção.

Gestão Pública – Avaliação Socioeconômica de Projetos

Docentes: Geraldo Sandoval Góes

Sala de Aula Virtual (Google Classroom)

Período das aulas: 14/07/2020 - 06/08/2020 (Matutino)

Inscrições: 23/06/2020 - 13/07/2020

Principais Tópicos: Fundamentos da avaliação e indicadores de retorno socioeconômico de projetos: Avaliação de projetos privado e social. Cálculo dos indicadores de retorno baseados em fatores de equivalência e em parâmetros financeiros funcionais. Principais etapas da avaliação socioeconômica. Problemas do uso de preços de mercado na avaliação socioeconômica e os métodos de correção. Quantificação e valoração dos custos e benefícios sociais.

Machine Learning

Docentes: Erick Muzart

Período de realização entre os dias 13 de julho a 05 de agosto de 2020.

Cronograma de Aulas ao vivo (utilização da ferramenta Zoom)

Dias: 13, 15, 17, 20, 22, 24, 27, 29 e 31 de julho e 05 de agosto. 

Horário: 09h às 12h.

Inscrições: 23/06/2020 - 13/07/2020

Principais Tópicos: Diferenças entre programação e aprendizado de máquina (ML): O desafio de prever resultados de um fenômeno sem um modelo explícito de seu funcionamento; Categorias de machine learning (ML): Supervisionado, não supervisionado; Diversidade de aplicações; Regressão linear. Intuição, cenários de uso. Preparação de dados para modelização. Uso da biblioteca python scikit-learn; Conceitos gerais de ML, aplicados ao caso básico de regressão linear: particionamento dos dados em treinamento/teste/validação; Over e under fitting; Determinantes de desempenho: mais dados, controle de complexidade do modelo, regularização, data augmentation; otimização e gradiente descendente; Regressão logística: Extensão da regressão linear como primeiro classificador; Árvore de decisão: Construção e interpretação; Extensão para Random Forest, aplicação sistemática em tarefas de previsão; Visão geral de redes neurais: conceito, modelos pré-treinados, aplicações em visão computacional e processamento de linguagem natural (NLP), com vetorização de palavras e categorias.