---

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

Criação: 09/02/2022

Nº de créditos: 3

Carga horária:

Teórica Por semana	Prática Por semana	Estudos Por semana	Duração	Total
3	3	3	5 Semanas	45 Horas

Docentes responsáveis:

André Carlos Ponce de Leon Ferreira de Carvalho
Ricardo Marcondes Marcacini
Roseli Aparecida Francelin Romero

Objetivos:

Introduzir os principais conceitos, técnicas e ferramentas referentes a ciência de dados. 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.

Conteúdo:

Ciência de Dados; Descoberta de Conhecimento em Bases de Dados; Mineração de Dados, Preparação de Dados, Pré-processamento de Dados; Modelagem de dados; Estudo de algoritmo preditivo simples (k-NN), Planejamento de experimentos; Análise de resultados experimentais.

Forma de avaliação:

Prova (50%), Trabalhos Práticos (50%), 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:

FORMA DE OFERECIMENTO
Híbrido (partes presenciais e partes remotas)

PORCENTAGEM DA DISCIPLINA QUE OCORRERÁ NO SISTEMA NÃO PRESENCIAL
80%

JUSTIFICATIVA DE NECESSIDADE DE DISCIPLINA REMOTA OU HÍBRIDA
A disciplina apresenta conceitos de computação que podem ser apresentados de forma efetiva no modo remoto, com o uso de tecnologias de compartilhamento de ambientes computacionais. Assim, a disciplina fará uso desses mecanismo para apresentar os conteúdos de forma remota, síncrona e assincronamente. Com isso, busca-se tirar proveito das oportunidades para o ensino remoto de recursos para o estudo de conteúdos computacionais.

DETALHAMENTO DAS ATIVIDADES QUE SERÃO PRESENCIAIS E DAS QUE SERÃO DESENVOLVIDAS VIA REMOTA, COM DISCRIMINAÇÃO DO TEMPO DE ATIVIDADE CONTÍNUA ONLINE
Estão programadas atividades presencias para sincronização e avaliação dos conteúdos apresentados. As aulas teóricas serão realizadas no modo síncrono e os Trabalhos Práticos serão realizados de forma remota. O material das aulas teóricas também será disponibilizado por meio de Videos. A prova será realizada de forma presencial.

ESPECIFICAÇÃO SE AS AULAS, QUANDO ONLINE, SERÃO SÍNCRONAS OU ASSÍNCRONAS
As aulas serão realizadas em ambos os modos. As aulas síncronas serão realizadas semanalmente para que o estudante possa interagir com o professor e tirar duvidas. Em paralelo, serão disponibilizados as aulas assíncronas para que o aluno possa acessar o m

DESCRIÇÃO DO TIPO DE MATERIAL E/OU CONTEÚDO QUE SERÁ DISPONIBILIZADO PARA O ALUNO
Slides das Aulas Teóricas, Trabalhos Práticos e Vídeos das aulas. Este material será disponibilizado semanalmente durante todo o período do curso.

PLATAFORMA QUE SERÁ UTILIZADA
Google Meet.

DEFINIÇÃO SOBRE A PRESENÇA NA UNIVERSIDADE E, QUANDO NECESSÁRIA, DISCRIMINAR QUEM DEVERÁ ESTAR PRESENTE (PROFESSOR; ALUNOS; AMBOS)
As avaliações presenciais contribuirão para manter a qualidade do aprendizado sem prejuízos quando comparado com o ensino presencial. A presença na Universidade será necessária para realização da Prova, que deverá ser acompanhada pelo docente responsável.

DESCRIÇÃO DOS TIPOS E DA FREQUÊNCIA DE INTERAÇÃO ENTRE ALUNOS E PROFESSOR (SOMENTE DURANTE AS AULAS; FORA DO PERÍODO DAS AULAS; HORÁRIOS; POR CHAT/E-MAIL/FÓRUNS OU OUTRO);
Semanalmente haverá aula síncrona que permitirá a interação entre alunos e professor. A interação será realizada tanto por participação oral quanto pelo chat, durante as aulas e fora das aulas, por e-mail.

SERÃO UTILIZADAS METODOLOGIAS ATIVAS DE ENSINO E ATIVIDADES DE COOPERAÇÃO E COLABORAÇÃO ENTRE OS ALUNOS?
Os trabalhos praticas envolverão cooperação entre os alunos.

FORMA DE CONTROLE DA FREQUÊNCIA NAS AULAS
A presença será contabilizada por meio de entregas de Trabalhos Práticos realizadas semanalmente pelos alunos.

INFORMAÇÃO SOBRE A OBRIGATORIEDADE OU NÃO DE DISPONIBILIDADE DE CÂMERA E ÁUDIO (MICROFONE) POR PARTE DOS ALUNOS
Um computador com câmera e áudio é um recurso necessário.

FORMA DE AVALIAÇÃO DA APRENDIZAGEM (PRESENCIAL/REMOTA)
Provas presenciais e trabalhos entregues de forma remota.

CRITÉRIOS DE AVALIAÇÃO CONTEMPLANDO QUAL A(S) METODOLOGIA(S) UTILIZADA(S) E COMO SER(Á)ÃO ATRIBUÍDO(S) O(S) CONCEITO(S)
Prova (50%), Trabalhos Práticos (50%), 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.

MENCIONAR AS MEDIDAS QUE GARANTAM AOS ALUNOS ACESSO À PLATAFORMA (SALA DE AULA COM INFRAESTRUTURA DE MULTIMÍDIA, SALA PRÓ-ALUNO; EQUIPAMENTOS NECESSÁRIOS A PARTICIPAÇÃO DOS ALUNOS E OUTROS)
A Universidade de São Paulo dispõe de licença para uso do ambiente Google Meet nas aulas online.

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.
Mello, R.F.; Ponti, M.A. Machine Learning: a practical approach on the statistical learning theory. Springer, 2018.
M. J. Zaki and W. Meira - Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2'Ed: Cambridge University Press, 2020.

Complementares
Stuart Russell; Peter Norvig. Artificial lntelligence: A Modem Approach, Pearson Education Limited; 4ª edition, 2021.
Alpaydin, E. (2004). lntroduction to Machine Learning. MIT Press.
Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
Flach, P. (2012). Machine Learning: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.