Texto do documento
Projeto pedagógico e Resolução nº 28/2023
Campus Imperatriz, Resolução ad referendum nº 28/2023 · 164 páginas. Texto extraído do PDF oficial; as páginas digitalizadas passaram por OCR e podem conter erros de leitura. Em divergência, vale o PDF oficial.
O PDF abre de uma cópia guardada pelo portal em 04/10/2026.
Disciplina: Ciência de Dados
Disciplina: Ciência de Dados
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Probabilidade e Estatística, Introdução à Teoria dos Grafos, Banco de Dados
Objetivo Geral: Explorar estratégias para formulação, interpretação e extração de conhecimentos úteis e significativos a partir de dados obtidos de diferentes formatos e de fontes heterogêneas.
Ementa: Coleta, tratamento e armazenamento de dados: técnicas para coletar, manipular, gerir, consultar e analisar conjuntos de dados em larga escala. Mineração de dados e aprendizado de máquinas: Algoritmos para classificação, associação, clusterização, detecção de anomalias (outliers) e redução de dimensionalidade. Visualização de dados.
Bibliografia Básica:
FERREIRA, R. G. C. et al. Preparação e análise exploratória de dados. Porto Alegre: SAGAH, 2021.
MORETIN, Alberto M.; SINGER, Júlio da Mota. Estatística e ciência de dados. Rio de
Janeiro: LTC, 2022.
SILVA, Leandro A. da; PERES, Sarajane M.; BOSCARIOLI, Clodis. Introdução à
Mineração de Dados: com Aplicações em R. Rio de Janeiro: LTC, 2016.
Bibliografia Complementar:
ELMASRI, R.; NAVATHE, S. B. Sistema de banco de dados: fundamentos e aplicações. 6. ed. São Paulo: Pearson Education, 2011. (RB=7309) SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistemas de banco de dados. 6. ed. São Paulo: Elsevier, 2012.(RB=7305) WICKHAM, Hadley; GROLEMUND, Garrett. R para Data Science. Rio de Janeiro: Alta Books, 2019.
Trecho citadoDisciplina: Aprendizado Profundo
Disciplina: Aprendizado Profundo
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Aprendizado de Máquina
Objetivo Geral: Conhecer, compreender e aplicar os conceitos de codificação neural, modelos de neurônios e redes neurais artificiais (ANN), treino, validação e teste de ANN, modelos de aprendizagem profunda e respectivo hardware, plataformas de software e aplicações; pretende-se ainda aprender o conceito de tratamento de grandes volumes de dados.
Ementa: Neurónios e Codificação Neural; Neurônios Artificiais; Perceptron e Redes Neuronais Artificiais; Aprendizagem por Retropropagação (Backpropagation); Conjuntos de Dados, Treino, Validação e Teste de Redes Neurais; Aprendizagem Profunda; Principais Arquiteturas de Redes Neurais Profundas; Bibliotecas e Plataformas para Aprendizagem Profunda; Complementos de Redes Neurais; Aplicação de Redes Neurais; Processamento de Grandes Volumes de Dados (Big Data).
Bibliografia Básica:
FACELI, Kati, et. al. Inteligência Artificial – uma abordagem de aprendizado de máquina.
Rio de Janeiro: LTC, 2015.(RB=34) GÉRON, Aurélien. Mãos à obra: aprendizado de máquina com Scikit-Learn & TensorFlow. Editora Alta Books, 2019.
GLASSNER, Andrew. Deep Learning: A Visual Approach. Illustrated ed. San Francisco: No Starch Press, 2021.
Bibliografia Complementar:
GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE Aaron. Deep Learning. MIT Press, 2016. Disponível em: <http://www.deeplearningbook.org>.
RUSSEL, Stewart; NORVING, Peter. Inteligência Artificial - Uma Abordagem Moderna. 4. ed. São Paulo: GEN LTC, 2022.
ZHANG, Aston; LIPTON, Zachary C.; LI, Mu; SMOLA, Alexander J. Dive into Deep Learning. arXiv preprint arXiv:2106.11342. 2021.
Disciplina: Tópicos Avançados em Banco de Dados
Disciplina: Tópicos Avançados em Banco de Dados
Carga Horária Semestral: 60h
Carga Horária Semanal: 4h
Créditos: 4
Pré-requisitos: Banco de Dados, Introdução à Teoria de Grafos
Objetivo Geral: Estudar tópicos de estratégias de armazenamento de bancos de dados relacionais e não relacionais que garantam a integridade e recuperação de dados em ambientes locais e distribuídos.
Ementa: Linguagem de Controle de Dados. Gerenciamento de Transações. Sistemas de Gerenciamento de Bancos de Dados (SGBD): Arquitetura, Segurança, Integridade, Concorrência, Recuperação após Falha. Noções de Bancos de Dados Distribuídos e Não Relacionais. Mineração de Dados. Noção de Big Data. Projeto de Banco de Dados.
Bibliografia Básica:
DATE, C. J. Introdução a Sistemas de Banco de Dados. 8. ed. São Paulo: Campus, 2004. (RB=270) ELMASRI, R.; NAVATHE, S. B. Sistema de banco de dados: fundamentos e aplicações. 6. ed. São Paulo: Pearson Education, 2011.(RB=7309) SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistemas de banco de dados. 6. ed. São Paulo: Elsevier, 2012. (RB=7305) Bibliografia Complementar:
ALVES, Willian P. Banco de dados: teoria e desenvolvimento. São Paulo: Érica, 2009. (RB=7863) KERN, Vinícius Medina. Banco de dados relacionais: teoria e prática de projetos. São
Paulo: Érica, 1994. (RB=263) MACHADO, Felipe N. R. Banco de dados: projeto e implementação. São Paulo: Érica, 2004. (RB=259) MACHADO, Felipe Nery Rodrigues. Projeto de banco de dados: uma visão prática. 17. ed.
São Paulo: Érica, 2012. (RB=746)
Mostrando 3 de 200 trechos.