Estatística para Ciência de Dados

Competências Disciplinares

Módulo 1: Métodos Estatísticos e Programação

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

Análise Descritiva e Probabilidade

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

• Identificar e classificar diferentes tipos de variáveis estatísticas
• Calcular e interpretar medidas de posição (média, mediana, moda) e dispersão (variância, desvio-padrão)Calcular e interpretar medidas de posição e dispersão
  
• Realizar análises bivariadas para identificar relações entre variáveis qualitativas e quantitativas e calcular coeficientes de correlação
• Aplicar técnicas de visualização apropriadas para diversos tipos de variáveis
• Compreender conceitos fundamentais de probabilidade
• Identificar e aplicar modelos de distribuição de probabilidade discretos e contínuos
• Entender e aplicar o Teorema do Limite Central e a Lei dos Grandes Números

Inferência Estatística

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

• Compreender os princípios fundamentais da inferência estatística
• Aplicar métodos de estimação e avaliar propriedades dos estimadores
• Realizar e interpretar testes de hipóteses
• Aplicar métodos estatísticos não-paramétricos
• Conduzir testes para uma, duas e k amostras (relacionadas e independentes)
• Calcular e interpretar medidas de correlação e seus testes de significância
• Implementar e interpretar métodos de reamostragem como o bootstrap para suporte em inferências estatísticas

Módulo 2:  Modelos Estatísticos

Técnicas de Amostragem e Regressão Linear

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

• Compreender diferentes tipos de amostragem e suas aplicações
• Calcular o dimensionamento adequado de amostras
• Identificar e lidar com vieses de amostragem e erros não amostrais
• Aplicar técnicas de estimação de variância e distribuição de amostragem
• Construir e interpretar intervalos de confiança
• Aplicar e interpretar modelos de regressão linear simples e múltipla
• Selecionar variáveis, construir modelos, e validar através de intervalos de confiança e testes de hipóteses.
• Realizar análise de resíduos e diagnóstico e validação de modelos de regressão

Modelos de Regressão

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

• Aplicar modelos lineares generalizados para diferentes tipos de variáveis dependentes 
• Realizar inferências sobre a regressão linear múltipla
• Identificar e resolver problemas comuns em regressão linear múltipla
• Utilizar variáveis dummy em modelos de regressão
• Compreender e aplicar Modelos Lineares Generalizados
• Realizar testes de hipóteses em modelos de regressão avançados
• Conduzir análises de diagnóstico em modelos de regressão
• Selecionar variáveis relevantes para um modelo de regressão
• Construir modelos de regressão não lineares

Séries Temporais

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

• Analisar e modelar séries temporais estacionárias e não estacionárias
• Compreender conceitos básicos de séries temporais e aplicar modelos como ARMA e 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

Análise de Sobrevivência

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

• Compreender conceitos básicos de análise de sobrevivência
• Aplicar métodos não-paramétricos para estimar funções de sobrevivência
• Utilizar modelos probabilísticos em análise de sobrevivência
• Aplicar modelos de regressão paramétricos em análise de sobrevivência
• Realizar análise de resíduos em modelos de sobrevivência
• Aplicar e interpretar o modelo de Cox e o modelo de taxa acelerada para análise de sobrevivência
• Compreender e aplicar conceitos de testes acelerados e suas aplicações práticas

Análise Multivariada

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

• Aplicar métodos multivariados para análise de dados, incluindo análise de variância, agrupamento, fatorial e discriminante. 
• Trabalhar com dados multivariados e suas representações
• Compreender e aplicar distribuições multivariadas
• Aplicar técnicas de análise de correlação canônica e análise multidimensional
• Utilizar métodos de redução de dimensionalidade

Módulo 3: Machine Learning,  Deep Learning e Anlytics

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 

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

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

Módulo 4: Governança de Dados, e Controle de Dados

Governança de Dados 

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

• Analisar e contextualizar a importância da governança de dados no ambiente corporativo
• Analisar criticamente situações e problemas
• Desenvolver e implementar frameworks de governança de dados alinhados aos objetivos organizacionais
• Criar e aplicar políticas, padrões e procedimentos específicos de governança de dados.
• Garantir a qualidade, segurança e confiabilidade dos dados
• Realizar avaliações de conformidade (compliance) e de risco (risk assessment) em relação à governança de dados
• Integrar conceitos de governança de dados com as exigências legais de proteção de dados
• Adaptar e inovar em práticas de governança de dados considerando a ética, agilidade e gerência de mudanças.
• Comunicar-se de forma eficaz, trabalhar em equipe e adaptar-se a novas situações e desafios de GD

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

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 

CONTEÚDO PROGRAMÁTICO