Ementas

CEDS-801: Introdução à Ciência de Dados

O que é Ciência de Dados e suas aplicações. Conceitos de modelagem de problema e aprendizado. Ambiente independente e identicamente distribuído. Definições de dados, informação e conhecimento. Etapas da Ciência de Dados: coleta, integração e armazenamento de dados; análise exploratória e visualização de dados; limpeza de dados; ajuste e avaliação de modelos: exemplos e estudos de caso. Ética no uso e manipulação de dados.

Referências bibliográficas:

• WICKHAM, H.; GROLEMUND, G. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data, O’Reilly Media, 1st edition, 2017.
• HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, R. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009;
• ZUMEL, NINA, and MOUNT, J. Practical data science with R. Manning Publications Co., 2014;
• CIELEN, D., MEYSMAN, A., & ALI, M. Introducing data science: big data, machine learning, and more, using Python tools. Manning Publications Co., 2016.

CEDS-812: Metodologia de Pesquisa em Computação

Ementa: Computação e Classificação das Ciências; Método Científico; Tipos de Pesquisa; Pesquisa Qualitativa; Pesquisa Quantitativa; Elementos de Estruturação da Pesquisa (objetivo, metodologia, questão de pesquisa e hipótese); Revisão Bibliográfica; Questões de Pesquisa; Escrita de Monografia; Escrita de Artigos; Ética Acadêmica.

Referências bibliográficas:

• WAZLAWICK, R. S., Metodologia de Pesquisa para Ciência da Computação 3ª edição. LTC, 2020.
• SAMPIERI, R. H. et al., Metodologia de Pesquisa. McGraw Hill, 2017.
• LAKATOS, E. M., MARCONI, M. A., Metodologia do Trabalho Científico. Atlas, 2021.

CEDS-804: Banco de Dados

Ementa: Introdução a Banco de Dados, Modelagem Conceitual, Modelagem Relacional, SQL Básico, SQL Avançado, DDL e DML, Linguagem Procedural, Business Intelligence, Data Warehouse, Modelagem Dimensional, Transformação Modelo Transacional – Dimensional, Projeto.

Referências bibliográficas:

• SILBERSCHATZ, A.; KORTH, H.; SUDARSHAN, S. Sistemas de banco de dados. 6. ed. Rio de Janeiro: Elsevier, 2012.
• Kimball, R.; Ross, M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3rd Edition, John Wiley & Sons. 2013.

CEDS-802: Probabilidade e Estatística

Ementa: Conceitos clássico e frequentista de probabilidade. Probabilidade condicional e independência de eventos. Teoremas de Bayes e da probabilidade total. Variáveis aleatórias discretas e contínuas. Funções massa, densidade, e distribuição acumulada. Valor esperado e variância. Desigualdades de Markov e Tchebyshev. Momentos. Funções de variáveis aleatórias. Variáveis aleatórias contínuas, função distribuição conjunta e marginal. Independência estatística; Covariância e Coeficiente de Correlação. Amostras aleatórias. Teoremas do limite central. Estimação pontual de parâmetros. Método dos momentos e da máxima verossimilhança. Variáveis aleatórias Qui-quadrado, T de Student e F de Snedecor. Intervalos de confiança. Testes de hipótese unidimensionais. Teste de hipótese entre parâmetros de populações distintas.

Referências bibliográficas:

• DEVORE, J. L. Probability and statistics for engineering and the sciences. 6. ed. Southbank: Thomson, 2004.
• ROSS, M. S. Introduction to probability and statistics for engineers and scientists. 2. ed. Harcourt: Academic Press, 1999.

CEDS-803: Matemática para Dados

Ementa: Espaços vetoriais reais. Transformações lineares: autovalores e autovetores de um operador linear. Métodos de resolução para sistemas lineares, equações algébricas transcendentes. Métodos para determinação de Autovalores e Autovetores. Interpolação de funções. Ajuste de curvas. Integração numérica. Otimização numérica.

Referências bibliográficas:

• COELHO, F. U.; LOURENÇO, M. L. Um curso de álgebra linear. 2ª. ed. São Paulo: EDUSP, 2013.
• AXLER, S. Linear Algebra Done Right. Springer, 3rd edition, 2014.
• STRANG, G. Introduction to Linear Algebra, 5th edition, 2016.
• YOSHIDA, R. Linear Algebra and Its Applications with R. CRC Press, 1st edition, 2021.
• STRANG, G. Linear Algebra and Learning from Data. Wellesley-Cambridge Press, 1st edition, 2019.
• AGGARWAL, C. C. Linear Algebra and Optimization for Machine Learning: A Textbook. Springer, 1st edition, 2020.

CEDS-805: Análise de Regressão

Ementa: Princípios de análise de regressão. Regressão linear simples e múltipla: hipóteses do modelo, estimação de parâmetros, propriedades de estimadores, inferência. ANOVA em regressão linear. Diagnóstico e reparação de problemas. Multicolinearidade e seus efeitos. Seleção de Variáveis. Modelos linearizáveis. Modelos polinomiais e interações. Modelos com variáveis categóricas. Modelos de regressão com respostas binárias. Regressão robusta. Ferramentas computacionais para análise de regressão.

Referências bibliográficas:

• MENDENHALL, W.; SINSICH, T. A Second course in statistics: regression analysis. 8th ed. New 82 York: Prentice Hall, 2020.
• FARAWAY, J. J. Linear models with R. London: Chapman & Hall/CRC, 2004.
• MONTGOMERY, D.C.; PECK, E.A.; VINING, V.V. Introduction to Linear Regression Analysis, 6th Edition, Wiley, 2021.

CEDS-807: Inteligência Artificial

Ementa: História da Inteligência Artificial (IA). Caracterização dos problemas de IA, aplicações (p.ex., jogos, robótica, Processamento de Linguagem Natural, etc.) e interações com outras áreas de pesquisa. Métodos de busca (busca cega e busca heurística) para resolução de problemas. Formalismos de Representação de Conhecimento e Inferência: Redes Semânticas, Sistemas de Produção, Lógica. Referências bibliográficas:

• RUSSEL, S.; Norvig, P. Inteligência Artificial. 3ª edição. Editora Campus, 2013.
• LUGER, G. F.. Artificial Inteligência Artificial, 6ª edição. Editora Pearson, 2013.
• FACELI,K.; LORENA,A.C.; GAMA, J.; CARVALHO, A.C.P.L.F (2021) Inteligência Artificial: uma abordagem de Aprendizado de Máquina. 2a Edição,Editora LTC.

CEDS-808: Aprendizado de Máquina

Ementa: Análise exploratória de dados: Estatísticas descritivas, Visualização multivariada. Pré-processamentos de dados: Limpeza, Redução dimensional, Transformações. Aprendizado preditivo: K-vizinhos mais próximos, Árvores de decisão,, Introdução a Redes Neurais Artificiais. Máquinas de Vetores de Suporte. Aprendizado descritivo: K-médias, Algoritmos hierárquicos, Regras de Associação.

Referências bibliográficas:

• FACELI,K.;LORENA,A.C.; GAMA,J.; CARVALHO,A.C.P.L.F (2021) Inteligência Artificial: uma abordagem de Aprendizado de Máquina. 2a Edição,Editora LTC.
• JAMES,G.; WITTEN,D.; HASTIE,T.; TIBSHIRANI,R.(2013). An introduction to statistical learning. New York: Springer.
• ALPAYDIN,E.(2014). Introduction to machine learning. MITpress.

CEDS-809: Deep Learning

Ementa: Redes Neurais Artificiais: Neurônios, Arquitetura e Aprendizado. Funções de Ativação. Otimização por Gradiente. Perceptron Multicamadas. Autoencoders. Arquiteturas Profundas: Redes Convolucionais, LSTM, Modelos Generativos. Introdução ao aprendizado por reforço.

Referências bibliográficas:

• GOODFELLOW, I.; BENGIO, Y.; Courville, A. Deep Learning, MIT Press, 2016.
• SUTTON, R.S; BARTO, A.G. Reinforcement Learning: An Introduction, Second Edition, MIT Press, Cambridge, MA, 2018
• HAYKIN, S. O. Neural Networks and Learning Machines. Pearson, 2008.

CEDS-810: Análise em Big Data

Ementa: Introdução ao Big Data, Conceituação de Big Data, Modelos Não-Relacionais, Hadoop e Mapreduce, Hbase, Hive, Spark, Modelagem em Big Data, Processo de Análise de Dados em Big Data, Estudo de caso.

Referências bibliográficas:

• SADALAGE, P. J.; FOWLER, M. NoSQL distilled: a brief guide to the emerging world of polyglot persistence. Crawfordsville: Pearson Education, 2013.
• RAJARAMAN, A.; LESKOVEC, J.; ULLMAN, J. Mining of Massive Datasets. Cambridge: Cambridge University Press, 2014.
• BERMAN J. J. Principles of Big Data: Preparing, Sharing, and Analyzing Complex Information. 1ª ed., Morgan Kaufmann, 2013.
• Han, J.; Kamber, M.; Pei, J. Data Mining: Concepts and Techniques. 3rd Edition, Morgan Kaufmann. 2012.

CEDS-811: Trabalho de Conclusão de Curso (TCC)

Ementa: Compreender o aprendizado e a aplicação dos conceitos, das metodologias e dos instrumentos para a solução de problemas relacionados a criação de valor com os dados. O TCC, poderá ser nos seguintes formatos: monografia, relatório técnico, publicação científica ou estudo de caso contemplando soluções para os mais diversos problemas empresariais.

Referências bibliográficas:

• SERRA NEGRA, Carlos Alberto., SERRA NEGRA, Elizabete Marinho. Manual de Trabalhos Monográficos de Graduação, Especialização, Mestrado e Doutorado. – 2 ed. -. São Paulo: Atlas, 2004.
• SOUZA, GENIVAL E.DE. Manual do Trabalho Acadêmico Científico. Brasil: Alta Books, 2017.
• SEVERINO, ANTONIO JOAQUIM. Metodologia do Trabalho Científico. Brasil: Cortez Editora, 2018.