Curso em Ciência de Dados

OBJETIVOS
Curso de formação profissional, focado na fundamentação epistemológica e metodológica e nos aspectos praxiológicos da Ciência de Dados e das principais disciplinas correlatas. Oferece ferramental didático/pedagógico para capacitar os alunos no desenvolvimento de soluções tecnológicas no âmbito da Ciência de Dados.
 
DISCIPLINAS OFERECIDAS
Carga Horária Total: 462 horas/aula
 
Disciplinas:
1. Introdução à Ciência de Dados;
2. Fundamentos em Ciência de Dados;
3. Governança de Dados;
4. Estatística Instrumental;
5. Programação Instrumental em Phyton;
6. Big Data e Data Lake;
7. Machine Learning e Mineração de Dados;
8. NLP – Processamento de Linguagem Natural ;
9. Teoria de Redes Complexas;
10. Elastic Search;
11. Tensor Flow;
12. Deep Learning;
13. Projeto Final.
 
 
EMENTAS DAS DISCIPLINAS

 

1. Introdução à Ciência de Dados
Carga Horária: 24 horas/aula
 
Objetivos: Clarificar e consolidar conceitos básicos de Ciência de Dados, Mineração de Dados, Inteligência Artificial, sua aplicabilidade e diferentes papéis profissionais. Metodologia: Aulas expositivas com discussão em aula dos temas abordados.
 
Pré-requisitos: graduação em áreas afins.
 
2. Fundamentos em Ciência de Dados
Carga Horária: 30 horas/aula
 
Objetivos: Apresentar os principais fundamentos epistemológicos e metodológicos aplicados ao contexto de Projetos de Ciência de Dados.
Metodologia: Aulas expositivas com discussão em aula de textos e artigos que deverão ser previamente lidos. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: graduação em áreas afins.
 
3. Governança de Dados
Carga Horária: 18 horas/aula
 
Objetivos: Apresentar os conceitos e modelos aplicados à Governança de Dados, no contexto de Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas e discussão em aula de textos e artigos que deverão ser previamente lidos. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: graduação em áreas afins.
 
4. Estatística Instrumental
Carga Horária: 48 horas/aula
Objetivos: Apresentar as principais definições da matemática estatística aplicada ao contexto de Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Ser capaz de compreender os principais cálculos estatísticos apresentados no curso e analisar os resultados de acordo com as técnicas descritivas, prescritivas e preditivas relacionadas ao conteúdo apresentado na Ementa desde curso.
 
5. Programação Instrumental em Phyton
Carga Horária: 18 horas/aula
 
Objetivos: Apresentar os principais recursos da linguagem de programação Python.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e computacionais em sala de aula e extraclasse.
 
Bibliografia: Python 3.7.2 documentation: https://docs.python.org/3/index.html
 
Pré-requisitos: Conhecimentos básicos de lógica e experiência anterior com linguagens de programação.
 
6. Big Data e Lake
Carga Horária: 48 horas/aula
 
Objetivos: Apresentar os principais conceitos, modelos e processos de Big Data.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e práticas computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Conhecimentos e experiência anterior em TI, que permitam acompanhar o curso, compreender os principais aspectos conceituais e técnicos.
 
7. Machine Learning e Mineração de Dados
Carga Horária: 48 horas/aula
 
Objetivos: Apresentar os principais conceitos e técnicas de aprendizado de máquina supervisionado e não-supervisionado, regras de associação, agrupamento e classificação.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais em sala de aula e extraclasse e práticas computacionais em laboratório. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Conhecimentos e experiência anterior em TI, que permitam acompanhar o curso, compreender os principais aspectos tecnológicos da técnica de aprendizado de máquina e analisar a aplicabilidade dessas técnicas.
 
8. Processamento de Linguagem Natural – NLP Carga
Horária: 36 horas/aula
 
Objetivos: Apresentar os principais conceitos e técnicas de processamento de linguagem natural aplicados ao contexto de Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e práticas computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Conhecimentos e experiência anterior em TI, que permitam acompanhar o curso, compreender os principais tipos de técnicas de processamento de linguagem natural e analisar a aplicabilidade dessas técnicas.
 
9. Teoria das Redes Complexas
 
Carga Horária: 30 horas/aula Objetivos: Apresentar os principais conceitos e técnicas de Teoria de Redes Complexas e sua aplicação em Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e práticas computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Conhecimentos e experiência anterior em TI ou Matemática, que permitam acompanhar o curso, compreender os principais tipos de técnicas de processamento de linguagem natural e analisar a aplicabilidade dessas técnicas.
 
10. Elastic Search Carga
Horária: 24 horas/aula
 
Objetivos: Apresentar os principais conceitos e recursos do Elastic Search e sua aplicabilidade em Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e práticas computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo. Pré-requisitos: Conhecimentos e experiência anterior em TI ou Matemática, que permitam acompanhar o curso, compreender os principais conceitos e funcionalidades do Elastic Search.
 
11. TensorFlow
Carga Horária: 24 horas/aula
 
Objetivos: Apresentar os principais conceitos e recursos do TensorFlow e sua aplicabilidade em Projetos de Ciência de Dados.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais e práticas computacionais em sala de aula e extraclasse. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Conhecimentos e experiência anterior em TI ou Matemática, que permitam acompanhar o curso, compreender os principais conceitos e funcionalidades do TensorFlow.
 
12. Deep Learning
Carga Horária: 54 horas/aula
 
Objetivos: Apresentar os principais conceitos e técnicas de aprendizado de máquina baseado em Redes Neurais Artificiais.
 
Metodologia: Aulas expositivas com desenvolvimento de exercícios conceituais em sala de aula e extraclasse e práticas computacionais em laboratório. Apresentação de seminários e atividades em grupo.
 
Pré-requisitos: Os alunos deverão ter assistido e obtido a aprovação nas matérias anteriores.
 
13. Projeto de Final de Curso
Carga Horária: 60 horas/aula
 
Objetivos: Aplicar os conceitos, metodologias, técnicas e ferramentas estudados durante todo o curso, para a construção de uma solução tecnológica de Ciência de Dados. Os alunos deverão demonstrar serem capaz de construir uma aplicação de software abrangendo desde desde a captura de dados estruturados e/ou não estruturados, a aplicação de modelos, o emprego de técnicas apropriadas e a geração de visualizações coerentes com os modelos implementados. 
 
Metodologia: Mentoring em ambiente de laboratório de desenvolvimento de soluções em Ciência de Dados. Pré-requisitos: Ter assistido e obtido a aprovação em todos os cursos da grade curricular.