Ciência de Dados e Big Data

Módulo 1: Fundamentos de Programação e Ciência de Dados

Python para Ciência de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes;
• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes;
• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Estatística Geral - Teoria e Aplicações 

Ao final da disciplina, os alunos deverão ser capazes de:

• Programar em Python, utilizando suas estruturas de controle e dados para manipulação e análise eficazes;
• Aplicar bibliotecas de Python para manipulação, visualização de dados e vetorização de matrizes;
• Desenvolver soluções de análise de dados, aproveitando as funcionalidades avançadas de Python para ciência de dados.

Data Discovery e Analytics 

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar analisar exploratória de dados
• Conhecer os diferentes tipos de dados (estruturados, semiestruturados, não estruturados)
• Identificar e coletar dados relevantes de diversas fontes.
• Aplicar técnicas de visualização de dados para comunicar insights de forma clara e concisa
• Utilizar ferramentas de Data Discovery e Self-Service Analytics para realizar análises exploratórias de dados de forma autônoma
• Usar modelos de machine learning para aplicar em análise preditiva e prescritiva 

Módulo 2: Engenharia de Dados

Banco de Dados Relacionais e Não Relacionais

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender e aplicar os conceitos fundamentais do modelo relacional de banco de dados;
• Utilizar a linguagem SQL;
• Comparar as propriedades dos modelos relacionais e NoSQL;
• Identificar e utilizar os principais Sistemas de Gerenciamento de Banco de Dados (SGBDs);
• Projetar e implementar soluções de banco de dados;
• Avaliar criticamente quando usar bancos de dados relacionais versus NoSQL.

Armazenamento e Processamento Massivo e Distribuído e Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os princípios fundamentais dos sistemas distribuídos;
• Aplicar técnicas de processamento de grandes volumes de dados;
• Projetar e implementar sistemas de arquivos distribuídos;
• Utilizar o modelo MapReduce para processamento de dados; 
• Otimizar operações de leitura, escrita e listagem em arquivos distribuídos;
• Avaliar e implementar soluções de processamento distribuído;
• Aplicar técnicas de compressão, otimização e particionamento de dados.

Preparação e Integração de Dados 

Ao final da disciplina, os alunos deverão ser capazes de:

• Realizar processos de limpeza, transformação e enriquecimento de dados;
• Executar processos ETL/ELT e integrar dados em ambientes de Data Lake;
• Utilizar ferramentas específicas para projetar e desenvolver aplicações de preparação e integração de dados;
• Implementar pipelines de ETL e ELT;
• Projetar e desenvolver soluções de integração de dados.

Cultura e Práticas DataOps e MLOps

Ao final da disciplina, os alunos deverão ser capazes de:

• Desenvolver infraestruturas de dados e machine learning como código (IaC);
• Projetar e gerenciar pipelines eficientes para soluções de machine learning;
• Implementar práticas de DataOps e MLOps para otimizar o ciclo de vida de desenvolvimento e implantação de modelos.

Módulo 3:  Modelagem e Análise Estatística  

Técnicas de Amostragem e Modelos de Regressão 

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar diferentes técnicas e tipos de amostragem em projetos de pesquisa;
• Desenvolver modelos de regressão linear simples e múltipla para análise preditiva;
• Utilizar modelos lineares generalizados para análise de dados;
• Executar análises de diagnóstico e validação de modelos de regressão.

Séries Temporais

Ao final da disciplina, os alunos deverão ser capazes de:

• Analisar e modelar séries temporais estacionárias e não estacionárias;
• Modelar e prever séries temporais utilizando modelos ARMA, ARIMA, e SARIMA;
• Ajustar modelos de séries temporais não estacionárias por meio de transformações adequadas;
• Avaliar estacionariedade em séries temporais;
• Aplicar métodos de decomposição de séries temporais;
• Utilizar modelos de tendência determinística e estocástica;
• Aplicar métodos de médias móveis e alisamento exponencial;
• Modelar séries temporais estacionárias e não estacionárias.

Módulo 4: Machine Learning e Deep Learning

Machine Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado);
• Capacidade para selecionar e aplicar algoritmos adequados para problemas específicos de machine learning;
• Capacidade para implementação e otimização de modelos de machine learning;
• Avaliar a performance de modelos de aprendizado de máquina;
• Interpretar os resultados de modelos de aprendizado de máquina.

Redes Neurais e Deep Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos de redes neurais artificiais;
• Entender os princípios e aplicações de Deep Learning;
• Aplicar diversas técnicas, métodos e arquiteturas de redes neurais;
• Utilizar redes convolucionais modernas;
• Implementar aplicações práticas de redes convolucionais e deep learning;
• Avaliar e otimizar o desempenho de modelos de deep learning;
• Compreender as diferenças entre diversos tipos de redes neurais e suas aplicações específicas.

Frameworks para Deep Learning

Ao final da disciplina, os alunos deverão ser capazes de:

• Utilizar frameworks como Keras, Tensorflow e Pytorch para construir e treinar modelos de deep learning;
• Desenvolver soluções de classificação e regressão usando deep learning;
• Monitorar e avaliar o desempenho de modelos de deep learning;
• Implementar e gerenciar pipelines de deep learning  ;
• Compreender e aplicar conceitos de AutoML;

Módulo 5: Aplicações e Projetos

Processamento de Linguagem Natural

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar algoritmos de PNL para tarefas de processamento e análise de texto;
• Desenvolver modelos de linguagem, exercendo técnicas como tokenização e lematização;
• Criar aplicações de PNL para extração de informações e reconhecimento de entidades nomeadas;
• Projetar e implementar aplicações práticas de NLP.

Generative AI & Advanced Analytics

Ao final da disciplina, os alunos deverão ser capazes de:

• Capacidade de utilizar ferramentas e plataformas de GenAI;
• Habilidade em desenvolver e ajustar prompts para modelos generativos;
• Explorar técnicas de recuperação aumentada por geração (RAG);
• Utilizar ferramentas e plataformas para análise de dados avançada;
• Conhecimento em integração e utilização de APIs de modelos externos;
• Aptidão para implementar e otimizar modelos preditivos usando AutoML;
• Proficiência em configurar e gerenciar pipelines de AI em ambientes de nuvem;
• Capacidade de identificar e aplicar as tendências emergentes em análise avançada e IA generativa.

Ciência de Dados em Nuvem: Práticas e Projetos

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos fundamentais da ciência de dados em ambiente de nuvem;
• Utilizar as principais plataformas de computação em nuvem para ciência de dados;
• Implementar pipelines de preparação de dados em ambientes de nuvem;
• Realizar ingestão de dados de diversas fontes em plataformas de nuvem;
• Aplicar técnicas de limpeza e transformação de dados;
• Criar e treinar modelos de machine learning em plataformas de nuvem;
• Otimizar hiperparâmetros e selecionar modelos em ambientes de nuvem;
• Implementar processos de validação e avaliação de modelos;
• Realizar o deploy e monitoramento de modelos em produção;
• Gerenciar projetos ráticos de ciência de dados em ambientes de nuvem.

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico;
• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia;
• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.