Acessar

Navegação

Disciplinas

Título	Programação para Ciência de Dados
Carga horária	26 h
Objetivos	Esse módulo objetiva capacitar no aluno o uso de lógica de programação e o ensinar o uso das linguagens Python e R aplicadas à ciência de dados. Os tópicos abordam desde tipos de variáveis, estruturas de programação até a utilização de bibliotecas que permitam a manipulação e análise de diferentes tipos de dados.
Ementa	Ensino de tipos de dados tipos de dados (variáveis) e aplicação de operadores (lógicos, comparação, etc); Entrada e saída de dados; Estruturas de decisão e repetição; Arranjos; Modularização e subprogramas. Estruturas de dados básicas. Leitura e escrita de arquivos e conjuntos de dados.

Título	Estatística Descritiva e Visualização de Dados
Carga horária	16h
Objetivos	Apresentar aos alunos técnicas estatísticas para análise de dados reais. Abordar os principais métodos para descrição, exploração, análise e interpretação de dados uni e multivariados. Introduzir o uso de pacotes estatísticos e discutir o uso das técnicas.
Ementa	Tipos de variáveis Medidas de Resumo: média, variância, quantis amostrais Gráficos: histograma, boxplot Generalização para caso multivariado (variáveis qualitativas): medidas de associação e correlação Estimadores de densidade e métodos de interpolação não linear via suavizadores Técnicas geométricas de visualização (coordenadas paralelas, scatterplot, projeção multidimensional) Técnicas hierárquicas de visualização

Título	Bancos de Dados
Carga horária	24 hrs
Objetivos	O objetivo da disciplina é tratar de assuntos relacionados à modelagem de dados, armazenamento e recuperação de dados, além do uso de Sistemas Gerenciadores de Banco de Dados Relacionais (SGBDRs). Para tanto, serão apresentados conceitos de bancos de dados, que abrangem os níveis conceitual, lógico e físico, sobre modelo Entidade-Relacionamento Estendido, Modelo Relacional, mapeamento entre modelos conceitual e lógico, linguagem de consulta SQL, organização física de dados (páginas de disco, arquivos, campos e registros) e estruturas de indexação (árvore-B e variantes, hashing e bitmap). Nesse sentido, serão apresentadas as ferramentas necessárias para o projeto e implementação de bancos de dados em SGBDRs.
Ementa	Modelagem de Dados Relacionais, introdução e etapas; Projeto Conceitual; Projeto lógico; Normalização; Projeto Físico; SQL: criação, inserção e consultas simples, consultas complexas, ordenação e junção Organização física dos dados; Projeto prático de Banco de Dados: Criação de uma base de dados na nuvem e acesso a mesma) Segurança de dados e privacidade

Título	Probabilidade
Carga horária	24h
Objetivos	Apresentar as regras básicas do cálculo de probabilidades, os conceitos de valor esperado, variáveis aleatórias (discreta e contínua) e suas extensões multivariadas.
Ementa	Interpretações do conceito de probabilidade e axiomas do cálculo de probabilidades. Probabilidade condicional. Teorema de Bayes. Variáveis aleatórias: discretas e contínuas. Esperança de uma variável aleatória; esperança condicional. Principais modelos estatísticos discretos e contínuos. Modelos multivariados: normal e multinomial.

Título	Introdução a Modelos de Regressão
Carga horária	32h
Objetivos	Apresentar aos alunos técnicas de modelagem estatística, diagnósticos e critérios de escolha de modelos. Uso de pacotes estatísticos
Ementa	Introdução aos modelos lineares: definição, estimação dos parâmetros pelo método de mínimos quadrados Critério para avaliar estimadores: erro quadrático médio Propriedades do estimadores: viés, variância e distribuição assintótica Estimação por máxima verossimilhança, intervalos de confiança, testes de hipóteses Critérios de seleção de modelos Modelos para variáveis categóricas: logit, probit, logit multinomial Componentes principais

Título	Pré-processamento de Dados Estruturados
Carga horária	8h
Objetivos	Introduzir aos alunos a importância do pré-processamento de dados para obtenção de resultados mais confiáveis. Neste módulo, serão apresentados possíveis problemas a se tratar nesta fase do processo, bem como técnicas para lidar com cada um desses problemas.
Ementa	Seleção de atributos Transformações em atributos numéricos Discretização Tratamento de Valores Faltantes Normalização Quantização Tratamento de Outliers e Erros.

Título	Estatística computacional
Carga horária	16h
Objetivos	Este módulo visa discutir conceitos de aleatoriedade e pseudo-aleatoriedade em algoritmos, ilustrando conceitos de inferência através de simulação estocástica. Além disso, serão apresentados os principais métodos computacionais para solução de problemas em Estatística.
Ementa	Geração de números pseudoaleatórios uniformes e não uniformes. Métodos de inversão, aceitação-rejeição e transformações de variáveis aleatórias. Reamostragem: bootstrap e jackknife Método de Monte Carlo Métodos de redução de variância. Validação cruzada Diagnósticos de convergência (Métodos gráficos e numéricos)

Título	Introdução a Modelos de Classificação
Carga horária	24h
Objetivos	Este módulo visa apresentar conceitos básicos e algoritmos de aprendizado de máquina para a tarefa de classificação, desenvolvendo no aluno a competência para saber identificar quais algoritmos de classificação e quais ferramentas podem ser adequados a cada problema. Além disso, visa também capacitar o aluno a realizar a análise de resultados desses algoritmos, bem como combinar modelos para melhores resultados.
Ementa	Conceitos básicos de classificação Apresentação de algoritmos de classificação de diferentes paradigmas Avaliação de modelos de classificação Combinação de modelos (ensembles)

Título	Análise de Agrupamento de Dados
Carga horária	24h
Objetivos	Apresentar ao aluno os principais conceitos que envolvem o agrupamento de dados e capacitá-los a aplicar suas técnicas, bem como ajuste fino de seus parâmetros. Apresentar as principais técnicas de agrupamento de dados, desde as clássicas até o estado-da-arte e apresentar aplicações reais que envolvam conjuntos de dados públicos de diferentes origens (acadêmicos, do governo e mercado).
Ementa	Conceitos e definições básicas da análise de agrupamento, principais motivações e aplicações na academia e mercado. Estudo sobre as formas de representação dos dados, efeitos de normalizações e escolhas de medidas de dissimilaridade sobre o agrupamento. Aprendizado de métodos particionais rígidos e com sobreposição, bem como estudo de seus parâmetros. Análise e aplicação de métodos hierárquicos aglomerativos e divisivos, formulações parametrizadas e sua relação com teoria dos grafos. Avaliação da qualidade de agrupamentos utilizando índices de validação externos, internos e relativos, técnicas de validação de estruturas hierárquicas e particionais, qualidade de grupos individuais, tendência de agrupamento e estimação do número de grupos.

Título	Bancos de Dados Não-Relacionais
Carga horária	16 h
Objetivos	Apresentar aos alunos SGBDs Não-Relacionais, seus princípios, modelagem, criação e uso de SGBDs não-Relacionais. Fornecer aos alunos conhecimento para determinar qual abordagem (relacional ou não-relacional) é mais adequada para um tipo de aplicação.
Ementa	O que são Banco de Dados Não-Relacionais (NR). Tipos de BD não relacionais (baseados em grafo, chave-valor, documento). Comparação com estratégias relacionais. SGBDs Não Relacionais Escalabilidade e alta-disponibilidade dos dados Modelagem NR Criação de Bases NRs Popular Base NRs Consulta a Dados NRs Aplicações para BDs NRs

Título	Processamento de Linguagem Natural
Carga horária	18 hrs
Objetivos	Capacitar o aluno a manipular textos para transformá-los em informação. Ao final deste módulo o aluno estará apto a converter o texto em informação útil para os algoritmos de aprendizado de máquina utilizando, para isso, ferramentas, bibliotecas e recursos linguístico-computacionais disponíveis.
Ementa	Níveis de processamento de texto: lexical, sintático, semântico Etapas de pré-processamento: normalização, tokenização, lematização, stemming, remoção de stopwords, etiquetação morfossintática (part-of-speech tagging), análise sintática (parsing) e análise semântica Recursos linguístico-computacionais: vetores de palavras (word embeddings), léxicos, bases lexicais (ex: wordnet), ontologias, córpus Ferramentas computacionais e bibliotecas para pré-processamento de texto.

Título	Redes Neurais Artificiais
Carga horária	16h
Objetivos	Apresentar fundamentação sobre os principais modelos de Redes Neurais Artificiais existentes na literatura, e suas formalizações matemáticas, bem como seus respectivos modelos de aprendizado. Além disso, apresentar implementações práticas dos modelos estudados.
Ementa	Introdução aos tipos de aprendizado O Perceptron e o Multi-Layer Perceptron Radial Basis Function Mapas Auto-Organizáveis Redes recorrentes, BAM e Modelo de Hopfield Restricted Boltzmann Machines Autoencoders

Título	Deep Learning
Carga horária	24h
Objetivos	Apresentar os principais fundamentos de redes neurais profundas, e como construir tais redes neurais, formalizações matemáticas e modelos de aprendizado. Serão apresentadas implementações práticas dos modelos estudados.
Ementa	Introdução ao paradigma de aprendizado profundo Redes neurais convolucionais Transferência de aprendizado Redes adversárias generativas Redes neurais para modelagem de sequências Aprendizado de características com autoencoders Técnicas para evitar overfitting

Título	Processamento Digital de Imagens e Visão Computacional
Carga horária	18 h
Objetivos	Habilitar o aluno a aplicar técnicas de filtragem para a redução de ruído de imagens e melhoramento de sua qualidade; Capacitar o aluno a realizar o pré-processamento de imagens para a subsequente aplicação de técnicas de aprendizado de máquina; Habilitar o aluno a identificar as técnicas mais adequadas a serem aplicadas dependendo do tipo de imagem a ser processada.
Ementa	Introdução: visão geral das etapas de um sistema de processamento de imagens; Apresentação de técnicas de obtenção e modificação de histogramas; Detalhamento sobre filtragem espacial de imagens (filtros lineares e não-lineares); Visão geral sobre filtragem de imagens no domínio da frequência; Introdução à classificação de imagens.

Título	Análise de Séries Temporais
Carga horária	24 h
Objetivos	Apresentar o conceito de série temporal e suas principais aplicações, especialmente a construção de modelos preditivos. Indicar as bibliotecas especificas do R e Python para estimar os modelos estudados.
Ementa	Definições: séries temporais, séries estacionárias e não-estacionárias, tendência, ciclo e sazonalidade. Relação entre processos estocásticos e séries temporais. Metodologia de Box-Jenkins: auto-correlação e autocorrelação parcial, equações a diferenças finitas, identificação, estimação e previsão por modelos AR, MA, ARMA e ARIMA. Modelos ARIMA com covariáveis: identificação, estimação e previsão. Modelos com sazonalidade: identificação, estimação e previsão. Modelos multivariados: identificação, estimação e previsão. Modelos baseados em Aprendizado de Máquina

Título	Projeto de Experimentos em Aprendizado de Máquina
Carga horária	24h
Objetivos	Apresentar ao aluno conceitos relacionados à pesquisa científica e capacitá-lo a: (i) identificar problemas nos quais a ciência de dados pode ser aplicada, (ii) projetar soluções para um ou mais problemas de ciência de dados, (iii) desenvolver experimentos para testar as soluções e (iv) reportar os resultados na monografia de Trabalho de Conclusão de Curso.
Ementa	Caracterização do que é pesquisa, sua motivação e metodologia de desenvolvimento Introdução aos métodos de pesquisa científica Identificação de problemas nos quais a ciência de dados pode ser aplicada Descrição detalhada das etapas da pesquisa Conceituação de aspectos da ética na pesquisa científica Proposição de soluções para os problemas identificados Projeto de experimentos para solucionar os problemas identificados Aprofundamento da organização da escrita científica Acompanhamento dos projetos de experimentos Orientação sobre a apresentação da Pesquisa Acompanhamento dos projetos de experimentos

Título	Aprendizado de Máquina sobre Grandes Volumes de Dados
Carga horária	26 h
Objetivos	O objetivo da disciplina capacitar o aluno a manipular e analisar grandes volumes de dados de forma escalável. Para isso, serão abordados conceitos de técnicas de computação distribuída utilizando arcabouços para manipulação e análise de dados. Capacitar o aluno a aplicar técnicas de aprendizado máquina sobre grandes volumes de dados dados utilizando programação funcional (Python e Scala). Para isso, serão estudados frameworks bem conceituados no mercado, como Hadoop e Spark.
Ementa	Introdução à computação escalável e distribuída, mostrando quais são as diferenças, vantagens e desvantagens entre a computação centralizada e distribuída. Como pensar, arquitetar e desenvolver em um paradigma distribuído. MapReduce e sistema distribuído de arquivos: uma introdução ao modelo MapReduce usando o framework Hadoop e ao seu sistema de arquivos HDFS, capaz de armazenar e recuperar dados distribuídos. Programação funcional em Python e Scala para computação distribuída, manipulação de dados, como aplicar transformações e ações, como funciona a resiliência e a tolerância a falhas em Spark. Manipulação de dados semi-estruturados através de transformações e ações disponíveis no DataFrame API. Utilização de SQL sobre conjuntos de dados de DataFrames. Aprendizado de máquina sobre conjuntos de dados escaláveis: principais conceitos e métodos.