113492 - Módulo IV - Análise de Dados para Tomada de Decisão |
Período da turma: | 04/10/2025 a 18/04/2026
|
||||
|
|||||
Descrição: | Introdução à Ciência de Dados
I. OBJETIVO Introduzir a área de ciência de dados relacionando conhecimentos de estatística, computação e negócios, com o foco na extração de conhecimento para a tomada de decisão no negócio. II. CONTEÚDO PROGRAMÁTICO Conceitos: Ciência de dados, Big Data; Produção de dados; Armazenamento de dados: Modelo relacional, NoSQL, Graph Database; Análise de dados; Análise multivariada de dados, Modelos de aprendizado de máquina; visualização de dados; Gestão de dados. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA AMARAL, F.; Introdução à ciência de dados: Mineração de dados e big data, Alta Books, 2016. PROVOST, F. e FAWCETT, T; Data Science para negócios: O que você precisa saber sobre mineração de dados e pensamento analítico de dados, Alta Books, 2016. Recursos Computacionais para Análise de Dados: Ambiente R I. OBJETIVO Introduzir as principais estruturas lógicas e de dados da linguagem de programação R para suporte a análise de dados. II. CONTEÚDO PROGRAMÁTICO Conceitos básicos do R. Estruturas de controle (desvios e repetição). Estruturas de Dados Básicos (variáveis e tipos). Estruturas avançadas (listas, conjuntos, dataframe). R Markdown. Bibliotecas gráficas. III. METODOLOGIA Aulas práticas em laboratório. IV. AVALIAÇÃO V. BIBLIOGRAFIA FARIA, P. D.; PARGA, J. P. F. Introdução à Linguagem R: seus fundamentos e sua prática. 2. ed. Belo Horizonte: [s.n.], 2021. ISBN 978-65-00-12606-8. Disponível em: KABACOFF, Robert. R in Action: Data Analysis and Graphics with R and Tidyverse. Simon and Schuster, 2022. Recursos Computacionais para Análise de Dados: Python I. OBJETIVO Introduzir as principais estruturas lógicas e de dados da linguagem de programação Python para suporte a análise de dados. II. CONTEÚDO PROGRAMÁTICO Conceitos básicos de Python. Estruturas de controle (desvios e repetição). Estruturas de Dados Básicos (variáveis e tipos). Estruturas avançadas (listas, conjuntos, tuplas, dataframe). Bibliotecas de Estatística. Bibliotecas gráficas. III. METODOLOGIA Aulas práticas em laboratório. IV. AVALIAÇÃO V. BIBLIOGRAFIA BORGES, L. E. Python para desenvolvedores: aborda Python 3.3. Novatec Editora, 2014. MCKINNEY, W. Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. O'Reilly Media, Inc., 2012. Estatística Aplicada a Análise de Dados I. OBJETIVO Proporcionar fundamentos para análise de dados através da estatística descritiva e inferencial. II. CONTEÚDO PROGRAMÁTICO Distribuições de probabilidades, estatística descritiva, estatística inferencial. Introdução à análise multivariada de dados. Práticas com R e Python. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L.; Estatística: Teoria e aplicações usando Microsoft® Excel em português, 6ª ed., LTC, 2012. FÁVERO, L.P.; BELFIORI, P.; DA SILVA, F.L.; CHAN, B.; Análise de dados - Modelagem multivariada para tomada de Decisões, 1ª ed., Campus, 2009. LATTIN, J.; CARROL, J.D.; GREEN, P.E.; Análise de Dados MULTIVARIADOS, Cengage Learning, 2011. Modelagem e Representação da Informação I. OBJETIVO Apresentar aos alunos os principais conceitos da Ciência da Informação. II. CONTEÚDO PROGRAMÁTICO Modelagem de dados. Sistemas de informação. Geração, coleção, organização, interpretação, armazenamento, recuperação, disseminação, transformação e uso da informação. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA LANGER, A. M.; Analysis and Design of Information Systems, Springer, 2008. Técnicas de Mineração de Dados aplicada a Negócios I. OBJETIVO Apresentar e aplicar as principais técnicas de mineração de dados e o processo de descoberta de conhecimento. II. CONTEÚDO PROGRAMÁTICO Processos de descoberta do conhecimento (KDD) em base de dados. Análise exploratória de dados. Tipos de variáveis, Técnicas de Data Mining para classificação, estimação, predição, análise de agrupamentos, análise de associações. Exemplos com R e/ou Python. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA AMARAL, F. C N.; Data Mining: Técnicas e Aplicações para o Marketing Direto. São Paulo: Editora Berkeley, 2001. HAN, J., KAMBER, M., PEI, J. Data Mining - Concepts and Techniques. Morgan Kaufmann, 2011. Tomada de decisão baseada em dados I. OBJETIVO Introduzir a ciência da tomada de decisão baseada em dados: business analytics. II. CONTEÚDO PROGRAMÁTICO Conceitos estatísticos básicos, tomada de decisão a partir de métodos de estatística descritiva, estatística preditiva e estatística prescritiva. Caracterização, identificação e formulação de indicadores (KPI) para Businesses Analytics. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA KUMAR, U. D.; Business Analytics: The Science of Data-driven Decision Making, Wiley, 2017 LUCA, M.; BAZERMAN, M. H.; The Power of Experiments: Decision Making in a Data-Driven World, MIT Press, 2020. Visualização de Dados e Elaboração de Dashboards I. OBJETIVO Fornecer aos alunos os fundamentos e técnicas para a análise visual de dados. II. CONTEÚDO PROGRAMÁTICO Introdução ao design de informação visual. Tipos de dados e visualização. Visualização interativa. Criação de produtos utilizando R (Shiny), Python (streamlit), Tableau. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA KNAFLIC, C.N.; Storytelling with data: a data visualization guide for business professionals, Willey, 2015. BELORKAR, A.; GUNTUKU, S.C.; HORA, S. e KUMAR, A.; Interactive Data Visualization with Python: Present your data as an effective and compelling story, Packt Publishing Ltd., 2020. SIEVERT, C.; Interactive Web-Based Data Visualization with R, Plotly, and Shiny, CRC Press, 2020. Fundamentos de Aprendizado de Máquina I. OBJETIVO Introdução aos modelos de aprendizado de máquina. Proporcionar o conhecimento das principais técnicas e modelos de aprendizado de máquina. II. CONTEÚDO PROGRAMÁTICO Modelos de classificação e de regressão. Aprendizado supervisionado, não supervisionado e semi supervisionado. Reconhecimento de padrão. Práticas com R e Python. III. METODOLOGIA Aulas expositivas dialogadas com apoio audiovisual. IV. AVALIAÇÃO V. BIBLIOGRAFIA LANTZ, B.; Machine Learning with R: Expert techniques for predictive modeling, 2019. CANE, A.; Machine Learning with Python: Step By Step Methods To Master ML (scikit-learn map), 2020. TEST J.; Python for beginners: A crash course guide for M Land web programming, 2020. RHYS, H.I.; Machine Learning with R, the tidyverse, and mlr, 2020. |
||||
Carga Horária: |
104 horas |
||||
Tipo: | Obrigatória | ||||
Vagas oferecidas: | 45 | ||||
Ministrantes: |
Andrea Maria Machado Ribeiro Evandro Marcos Saidel Ribeiro Ildeberto Aparecido Rodello José Remo Ferreira Brega Marcelo Botelho da Costa Moraes Rafael de Freitas Souza |
voltar |
Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP |