Estatística para Ciência de Dados

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.