Área de concentração: 55134 - Ciências de Computação e Matemática Computacional

Criação: 18/11/2025

Nº de créditos: 12

Carga horária:

Docentes responsáveis:

Objetivos:

Introduzir os principais conceitos, técnicas e ferramentas referentes a ciência de dados. Apresentar os aspectos fundamentais e principais algoritmos de aprendizado de máquina, que investiga técnicas para desenvolver algoritmos capazes de aprender, ou melhorar seu desempenho, utilizando exemplos de situações previamente observadas. O curso visa prover teoria e prática a fim de que os alunos possam aplicar as novas técnicas e ferramentas estudadas em problemas reais.

Justificativa:

A quantidade de dados gerados por diferentes fontes tem crescido em escalas cada vez maiores. A necessidade de analisar esses dados de forma automática e as dificuldades encontradas nessa análise têm levado à necessidade do desenvolvimento de novos métodos que possam lidar com os vários problemas associados à análise de dados. Este curso apresentará os principais conceitos, técnicas e ferramentas referentes à ciência de dados e os princípios gerais de aprendizado de máquina e inferência indutiva, fornecendo uma visão geral dos diversos paradigmas e algoritmos existentes de aprendizado de máquina para a aquisição automática de conhecimento a partir de conjuntos de dados.

Conteúdo:

Introdução à Ciência de Dados; Exploração de Dados, Pré-processamento de Dados; Planejamento de experimentos; Modelagem de dados; Medidas de Avaliação; Análise de resultados experimentais. Aspectos básicos de Aprendizado de Máquina; Tarefas de aprendizado; Viés indutivo; Aprendizado descritivo; Aprendizado preditivo; Algoritmos de Aprendizado de Máquina; Algoritmos que seguem diferentes paradigmas de aprendizado: algoritmos de inducao de arvores de decisao e de conjuntos de regras, redes neurais artificiais (perceptron e multilayer perceptron) e modelos probabilísticos (regressão logística e naive Bayes); Métodos de clusterização. Explicabilidade em AM.

Forma de avaliação:

Estão previstas provas e trabalhos práticos, compondo a nota numérica da disciplina. O conceito será A para nota superior a 8.5, B para nota superior a 7.0, C para nota superior ou igual a 6.0 e R para notas inferiores a 6.0.

Observação:

Nenhuma.

Bibliografia:

Fundamentais:

- Katti Faceli, Ana Carolina Lorena, João Gama, Thiago Agostinho de Almeida, André C.P.L.F. de Carvalho, Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC; 2ª edição, 2021.
- André C. P. L. F. de Carvalho, Angelo Garangau Menezes, Robson Parmezan Bonidia, "Ciência de Dados - Fundamentos e Aplicações", Editora LTC, 2024.
- M. J. Zaki and W. Meira - Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2'Ed: Cambridge University Press, 2020.

Complementares:

- Alpaydin, E. (2004). lntroduction to Machine Leaming. MIT Press.
- Mitchell, T. M. (1997). Machine Leaming. McGraw-Hill.
- Flach, P. (2012). Machine Leaming:The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press.
- Provost, F.; Fawcett, T. Data Science for Business: What you need to know about data mining and data­analytic thinking by O'Reilly Media, 2013.
- Han, J.; Kamber, M.; Pei, J. Data Mining: Concepts and Techniques, Third Edition (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann , 2011.
- Witten, I.; Frank, E. Third Edition (The Morgan Kaufmann Series in Data Management Systems). 2011. Tan, P.-N.; Steinbach, M.; Kumar, T. lntroduction to Data Mining. Addison Wesley, 2005.
- Rezende, S.O. (org.) Sistemas Inteligentes: Fundamentos e Aplicações. Editora Manole, 2003.
- Stuart Russell; Peter Norvig. Artificial lntelligence: A Modem Approach, Pearson Education Limited; 4ª edition, 2021.