|
|
Atividade
| 122920 - Módulo - Tendências em Data Science e Analytics |
| Período da turma: | 05/11/2024 a 27/05/2025
|
||||
|
|
|||||
| Descrição: | Data Wrangling
Manipulação de dados I; Manipulação de dados II; Criação de scripts em Jupyter Notebook; Projetos de Data Science & Analytics no GitHub; Funções para data wrangling em Python. BRUCE, P.; BRUCE, A.; GEDECK, P. Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python. 2 ed. O'Reilly Media, 2020. FÁVERO, LUIZ PAULO; BELFIORE, PATRÍCIA. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Rio de Janeiro: Elsevier, 2017. GERÓN, A. Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras & TensorFlow: Conceitos, ferramentas e técnicas para a construção de sistemas inteligentes. Alta Books, 2021. GRUS, J. Data Science Do Zero: Noções Fundamentais com Python. 2 ed. Alta Books, 2021. HARRISON, M. Machine Learning – Guia de Referência Rápida: Trabalhando com Dados Estruturados em Python. Novatec Editora, 2019. McKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, Numpy, and Jupyter. O'Reilly Media, 2022. MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes. 3 ed. Novatec Editora, 2019. MULLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O'Reilly Media, 2016. Análise Estatística Espacial Shapefiles - apresentação, manipulação de dados, recorte e merge de shapefiles; Imagens Raster; Análise Exploratória Espacial; Aplicações de bancos de dados reais de mercado em Python. ALMEIDA, E. (2012). Econometria Espacial Aplicada. São Paulo: Alínea. ANSELIN, L. (1995). Local Indicators of Spatial Association-LISA. Geographical Analysis, 27(2), 93-115. ANSELIN, L. & REY, S. J. (2014). Modern Spatial Econometric in Pratice. Chicago: GeoDa Press. CLIFF, A.D., and ORD, J.K., 1973, Spatial autocorrelation (London: Pion). CLIFF, A.D., and ORD, J.K., 1981, Spatial processes: models and applications (London: Pion). GERRARD, C. Geoprocessing with Python. Manning Publications, 2016. LAWHEAD, J. Learning Geospatial Analysis with Python: Understand GIS fundamentals and perform remote sensing data analysis using Python 3.7. Packt Publishing, 2019. McCLAIN, B. Python for Geospatial Data Analysis: Theory, Tools, and Practice for Location Intelligence. O'Reilly Media, 2022. TOMS, S.; O’BEIRNE, D. ArcPy and ArcGIS: Automating ArcGIS for Desktop and ArcGIS Online with Python. Packt Publishing, 2017. TOMS, S.; PARKER, B. Python for ArcGIS Pro: Automate cartography and data analysis using ArcPy, ArcGIS API for Python, Notebooks, and pandas. Packt Publishing, 2022. ZANDBERGEN, P. A. Advanced Python Scripting for Arcgis Pro. Esri Press, 2020. Árvores, Redes e Ensemble models Árvores de decisão; bagging, boosting; random forest; redes neurais; técnicas de validação; treino, validação e teste, out-of-time, overfitting, validação cruzada; aplicações de bancos de dados reais de mercado em Python. AGGARWAL, C. C. Neural networks and deep learning: a textbook. Springer, 2019. GÉRON, A. Mão à obra: aprendizado de máquina com Scikit-Learn, Keras & TensorFlow. 2ª ed. Alta Books: Rio de Janeiro, 2021. HARTSHORN, S. Machine Learning With Random Forests And Decision Trees: A Visual Guide For Beginners. 2016. SHEPPARD, C. Tree-based machine learning algorithms: decision trees, random forests, and boosting. 2017. SMITH, C.; KONING, M. Decision trees and random forests: a visual introduction for beginners: a simple guide to machine learning with decision trees. Blue Windmill Media, 2017. Introdução ao Deep Learning Conceito básico de rede neural artificial; Construção de rede neural artificial sem pacotes computacionais. AGGARWAL, C. C. Neural networks and deep learning: a textbook. Springer, 2019. BALAKRISHNAN, P. V.; COOPER, M. C.; JACOB, V. S.; LEWIS, P. A. A study of the classification capabilities of neural networks using unsupervised learning: a comparison with k-means clustering. Psychometrika, v. 59, n. 4, p. 509-525, 1994. GÉRON, A. Mão à obra: aprendizado de máquina com Scikit-Learn, Keras & TensorFlow. 2ª ed. Alta Books: Rio de Janeiro, 2021. HAYKIN, S. Redes neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2011. KELLER, J. D. Deep Learning. The MIT Press, 2019. Deep Learning Conceitos de otimização de Redes Neurais Artificiais e funcionamento; Tipos de Feed Forward Neural Networks; Feed Forward Neural Network: aplicação prática em Python; Recursive Neural Networks: conceito e aplicações; Recursive Neural Networks: aplicação prática em Python; Introdução à Boltzmann Machines; Autoencoders. AGGARWAL, C. C. Neural networks and deep learning: a textbook. Springer, 2019. BALAKRISHNAN, P. V.; COOPER, M. C.; JACOB, V. S.; LEWIS, P. A. A study of the classification capabilities of neural networks using unsupervised learning: a comparison with k-means clustering. Psychometrika, v. 59, n. 4, p. 509-525, 1994. GÉRON, A. Mão à obra: aprendizado de máquina com Scikit-Learn, Keras & TensorFlow. 2ª ed. Alta Books: Rio de Janeiro, 2021. HAYKIN, S. Redes neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2011. KELLER, J. D. Deep Learning. The MIT Press, 2019. Coleta de Dados: Crawlers e Web Scraping Introdução ao HTML; HTML Parsing; Escrevendo um scraper com Python. AMARAL, F.C.N. Data Mining: Técnicas e Aplicações para o Marketing Direto. São Paulo: Editora Berkeley, 2001. AMARAL, F. Aprenda mineração de dados: teoria e prática. Rio de Janeiro: Alta Books, 2019. MARIANO, D. C. B.; MARQUES, L. T.; SILVA, M. S.; ALEIXO JUNIOR, J. F. M.; SANTOS, M. S.; SANTOS, T. M. O. Data mining. Porto Alegre: SAGAH, 2020. MITCHELL, R. Web scraping with Python: collecting more data from the modern web. 2 ed. O'Reilly, 2018. MUNZERT, S.; RUBBA, C.; MEINER, P. Automated data collection with R: a practical guide to web scraping and text mining. Wiley, 2015. SILVA, M. S. Fundamentos de HTML5 e CSS3. Novatec Editora, 2015. Text Mining, Sentiment Analysis e NLP Pré-processamento de textos; Algoritmos de classificação; Detecção de emoções com Naive Bayes; Uso de outros algoritmos para análise de sentimentos. AMARAL, F. Aprenda mineração de dados: teoria e prática. Rio de Janeiro: Alta Books, 2019. BENGFORT, B.; BILBRO, R.; OJEDA, T. Applied Text Analysis with Python: Enabling Language-Aware Data Products with Machine Learning. O'Reilly Media, 2018. BERRY, M.J.A; LINOFF, G. Data Mining Techniques For Marketing, Sales and Customer Support. 3ª ed. New York, USA: John Wiley & Sons, Inc., 2011. BIRD, S.; KLEIN, E.; LOPER, E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. O'Reilly Media, 2009. FERNADEZ, G. Data Mining Using SAS Applications. New York: Chapman & Hall/CRC, 2003. GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data mining: conceitos, técnicas, algoritmos, orientações e aplicações. 2. ed. Rio de Janeiro: GEN LTC, 2015. HAN, J., KAMBER, M. Data Mining: Concepts and Techniques. New York: Morgan Kaufmann Publisher, 2001. LIU, B. Sentiment analysis: mining opinions, sentiments, and emotions. Cambridge University Press, 2015. SILGE, J.; ROBINSON, D. Text mining with R: a tidy approach. O'Reilly, 2017. Pesquisa Operacional e Modelos de Otimização Pesquisa operacional: função-objetivo, parâmetros, variáveis de decisão e restrições em modelos de otimização; Programação linear; Métodos de otimização; Aplicações de bancos de dados reais de mercado em Excel. ANDRADE, E.L. Introdução à pesquisa operacional: métodos e modelos para análise de decisões. Rio de Janeiro: LTC, 2009. COLIN, E.C. Pesquisa operacional: 170 aplicações em estratégia, finanças, logística, produção, marketing e vendas. Rio de Janeiro: LTC, 2007. HILLIER, F. S.; LIEBERMAN, G. J.; GRIESI, A.; EHRLICH, P. J. Introdução à Pesquisa Operacional. São Paulo: AMGH, 2012. LISBOA, E.F.A. Pesquisa operacional. Acesso em 28 de Setembro de 2010. SARAIVA Jr, A. F.; TABOSA, C. M.; COSTA, R. P. Simulação de Monte Carlo aplicada à análise econômica de pedido. Produção, v. 21, n. 1., p.149-164, 2011. Gestão da Mudança na Era Digital Os princípios e estratégias para a gestão da mudança organizacional; Como adaptar estruturas e processos organizacionais para aproveitar as oportunidades e reduzir as ameaças digitais; Metodologias e ferramentas para gestão da mudança; Desafios e papel do gestor num mundo de mudanças contínuas e disruptivas. ALCANTARA, L. K. Big Data e IoT: Desafios da Privacidade e da Proteção de Dados no Direito Digital. São Paulo: Bok2, 2017. BERGSON, L. R. Gestão e Governança de Dados: promovendo dados como ativo de valor nas empresas. Rio Janeiro: Editora Brasport, 2013. FLEMING, S. Blockchain technology and microservices architecture. USA: eBook Kindle, 2018. GUBBI, J.; BUYYA, R.; MARUSIC, S.; PALANISWAMI, M. Internet of Things (IoT): A vision, architectural elements, and future directions, Future Generation Computer Systems, vol. 29, i. 7, p. 1645-1660, September 2013. KELLY, K. The Inevitable: Understanding the 12 technological forces that will shape our future. New York, USA: Penguin, 2016. KING, B. Bank 4.0: Banking Everywhere, Never at a Bank. 1ª ed. John Wiley & Sons: 2019. KIRNER, C.; SISCOUTTO, R. Realidade Virtual e Aumentada: Conceitos, Projeto e Aplicações. Petrópolis – RJ, Livro do Pré-Simpósio, IX Symposium on Virtual Reality. Editora SBC – Sociedade Brasileira de Computação, 2007. TURBAN, E.; MCLEAN, E.; WETHERBE, J. Information Technology for Management: Transforming Organizations in the Digital Economy. 7th edition, Wiley, 2009. TURBAN, E.; VOLONINO, L. Tecnologia da informação para gestão: em busca do melhor desempenho estratégico e operacional. 8ª ed. Porto Alegre: Editora Bookman, 2013. Avaliações, atividades complementares, trabalhos em grupo e interação. Realização das Provas EaD: as provas são disponibilizadas no dia seguinte a aula ao vivo. Atividades complementares: slides das aulas, material de leitura pré e pós-aula, bibliografia indicada, eventos, reportagens, artigos, entre outros. Esclarecimento de dúvidas via e-mail após as aulas ao vivo: caso os alunos ainda tenham dúvidas após a aula ministrada, estas serão encaminhadas para o professor e as respostas serão compartilhadas com os alunos pela intranet. Interação em aula (trabalhos em grupo): durante a aula ao vivo serão utilizadas as ferramentas TalkShow, Zoom, Wooclap e outros de interação, para desenvolvimento e apresentação de trabalhos em grupo, sanar dúvidas com professor, compartilhar experiências com a turma, responder a enquetes que ajudam na fixação do conteúdo, entre outros. Chat: ferramenta do sistema acadêmico utilizada durante as aulas ao vivo para que os alunos enviem as dúvidas ao professor. O histórico do chat fica disponível nos materiais da aula após o término da aula ao vivo. *Disciplinas e ementas sujeitas a alteração. |
||||
| Carga Horária: |
113 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 1000 | ||||
| Ministrantes: |
Ana Claudia dos Santos Luciano Henrique Rozenfeld Jeronymo Marcondes Pinto João Fernando Serrajordia Rocha de Mello Marcos dos Santos Wilson Tarantin Júnior |
 voltar |
|
Créditos © 1999 - 2024 - Superintendência de Tecnologia da Informação/USP |