|
|
Atividade
| 126991 - Módulo Operações e Tecnologia |
| Período da turma: | 19/05/2026 a 30/10/2026
|
||||
|
|
|||||
| Descrição: | Modelagem de Dados
O objetivo do curso é fornecer conhecimentos sobre os conceitos fundamentais de bancos de dados, incluindo entidade, atributo, tabela, relacionamento, cardinalidade, chave primária, chave estrangeira, restrição de integridade e outros. Será ensinado como criar um modelo conceitual de banco de dados a partir dos requisitos do usuário, em seguida, transformá-lo em um modelo lógico e normalizá-lo até a terceira forma normal. Também será abordado o processo de criação do modelo físico de um banco de dados a partir do modelo lógico e como utilizar comandos SQL básicos para criar uma base de dados no sistema gerenciador de banco de dados MySQL. 1. "Modelagem de Dados - Teoria & Prática" de Silvio Lago - É um livro introdutório que aborda os fundamentos da modelagem de dados de forma clara e objetiva, com exemplos práticos e exercícios. 2. "Modelagem de Dados com SQL Server e Oracle" de Rafael Bernardo - Este livro ensina a modelar bancos de dados utilizando as ferramentas de modelagem do SQL Server e do Oracle, com exemplos práticos e exercícios. 3. "Modelagem de Dados para Sistemas de Informação Empresariais" de Carlos A. Heuser - Este livro apresenta uma abordagem conceitual e prática da modelagem de dados para sistemas de informação empresariais, com exemplos e exercícios. 4. "Modelagem de Dados Essencial" de David C. Hay - É um livro que apresenta os conceitos essenciais da modelagem de dados, com uma abordagem voltada para a modelagem de dados de negócios. 5. "Modelagem Dimensional para Data Warehouses" de Ralph Kimball - Este livro ensina a modelar data warehouses utilizando a abordagem dimensional de Ralph Kimball, com exemplos práticos e exercícios. Cloud Computing Nesta disciplina, os alunos explorarão os fundamentos da computação em nuvem. Inicialmente, será abordada uma introdução ao conceito, seguida de uma análise dos modelos de serviço: IaaS, PaaS e SaaS. A matéria também cobrirá os principais provedores de serviço de nuvem, como AWS, Google Cloud Platform e Microsoft Azure, destacando suas funcionalidades e usos. Adicionalmente, serão discutidas melhores práticas em arquitetura e design de soluções na nuvem. A parte final do curso proporcionará aos alunos a chance de se familiarizarem com aplicações práticas, através de estudos de caso e demonstrações de implementação e gestão de recursos em ambientes de nuvem. 1. "Cloud Computing: Computação em Nuvem - Uma Abordagem Prática", de Rodrigo Gomes da Silva e Luiz Fernando Gomes Soares. 2. "Cloud Computing: Conceitos, Tecnologias, Arquiteturas e Tendências", de Ricardo Puttini e Luciano Augusto da Silva. 3. "Desmistificando o Cloud Computing: Entendendo o Conceito e a Arquitetura", de Ricardo R. Lecheta. 4. "Cloud Computing - Nova Arquitetura da TI", de Francisco A. Arimura e Eduardo M. Vieira da Costa. 5. "Amazon Web Services: Descomplicando a Computação na Nuvem", de Henrique Bueno de Paula e Gustavo Melo. Data Mining O curso de Mineração de Dados está dividido em duas etapas principais: coleta de dados e aplicação de algoritmos de machine learning clássicos. A primeira parte versa sobre os conceitos de raspagem de dados, como realizar a coleta de arquivos, API's e páginas Web externas, utilizando tanto técnicas de web scraping quanto de web crawling. A segunda parte versa sobre os conceitos de machine learning, como a aplicação de algoritmos de classificação, regressão e agrupamento, utilizando bibliotecas de machine learning como Scikit-Learn e ferramentas de AutoML, como o PyCaret. 1. "Data Mining: Conceitos, Técnicas, Ferramentas e Aplicações", de Alex A. Freitas 2. "Introdução ao Data Science: Data Mining, Big Data e Inteligência Artificial", de João Eduardo Ferreira. 3. "Data Mining: Minerando Dados para Tomada de Decisões", de Marcos Guimarães e Juracy Brasileiro. 4. "Data Mining: Prospecção de Dados", de Renato Archer e Maria Carolina Monard. 5. "Mineração de Dados: Conceitos, Ferramentas e Técnicas", de Adriano Veloso e Eduardo Ogasawara. Machine Learning I Conduzir o aluno na identificação e no uso de técnicas de machine learning supervisionadas e não supervisionadas em um contexto para aprender com aplicar estas técnicas 1. Contextos e aplicações. 2. Supervisionada. 3. Não supervisionada. 4. Projeto aplicado. Machine Learning II Este curso aborda diversos tópicos relacionados a Machine Learning e sua aplicação em problemas de negócios. Serão apresentadas técnicas para identificar quando o uso de Machine Learning é necessário, além de ensinar como validar uma base de dados, tratando valores nulos e inconsistentes. Os alunos também aprenderão a identificar variáveis descritivas, prescritivas e target do problema de negócio e a importância de separar as bases em treino e teste. Algoritmos supervisionados como regressão linear e logística, KNN, naive bayes, árvore de decisão, redes neurais e random forest serão apresentados, assim como algoritmos não supervisionados como K-Means, hierárquico, DBSCAN, apriori, componentes principais e análise fatorial. Serão apresentadas também diversas métricas de desempenho, incluindo matriz de confusão, acurácia, precisão, recall, ROC, RMSE, MAE e MAPE, além de conceitos estatísticos para ajudar a escolher entre algoritmos supervisionados e não supervisionados. O curso também inclui uma introdução aos modelos de séries temporais, como média móvel, ARIMA, Holter-Winters e decomposição, e aborda técnicas de análise descritiva e exploratória dos dados. 1. "Aprendizado de Máquina: Uma Abordagem Estatística" de Trevor Hastie, Robert Tibshirani e Jerome Friedman. Este livro é uma referência padrão no campo do Aprendizado de Máquina e fornece uma cobertura completa de vários métodos avançados. 2. "Deep Learning com Python" de François Chollet. Este livro é uma introdução prática e aplicada ao Deep Learning, com exemplos de código em Python. 3. "Python Machine Learning: Aprendizado de Máquina e Análise de Dados com Python" de Sebastian Raschka e Vahid Mirjalili. Este livro cobre os fundamentos do Aprendizado de Máquina e também inclui uma introdução ao Deep Learning. 4. "Hands-On Machine Learning com Scikit-Learn, Keras e TensorFlow: Conceitos, ferramentas e técnicas para criar sistemas inteligentes" de Aurélien Géron. Este livro é uma introdução prática ao Aprendizado de Máquina com Python, com exemplos de código usando o Scikit-Learn, Keras e TensorFlow. 5. "Aprendizado de Máquina na Prática: Uma Abordagem de Aprendizado Orientado a Problemas com Exemplos em Python" de Yuxi Li. Este livro apresenta uma abordagem prática de Aprendizado de Máquina, com exemplos de código em Python e orientação em solução de problemas. Fundamentos de Big Data Discutir como Big Data afetam a operação da empresa e sua relação com clientes, fornecedores e concorrentes. Apresentar modelos e ferramentas de tratamento e análise de dados para este contexto. 1. Conceito de Big Data; 2. Coleta, tratamento e análise de dados na Web; 3. Data mining; 4. Machine learning. Big Data Discutir como Big Data afetam a operação da empresa e sua relação com clientes, fornecedores e concorrentes. Apresentar modelos e ferramentas de tratamento e análise de dados para este contexto 1. Conceito de Big Data. 2. Coleta, tratamento e análise de dados na Web. 3. Data mining. 4. Machine learning. Fundamentos de Liderança Fornecer os conceitos de gestão de recursos humanos para trabalho em equipe e formas de liderar essas equipes. 1. Conceito de Liderança; 2. Formas de trabalho em equipe; 3. Princípios de Motivação; 4. Teorias Motivacionais; 5. Comportamento Organizacional. Liderança Esta disciplina visa apresentar e discutir as habilidades dos Gerente de Projetos, envolvendo comportamento e atitudes que são inatas à pessoa ou que se desenvolve por meio de práticas (experiências pessoal e profissional). Os principais modelos de liderança no contexto de Gestão de Projetos serão abordados tais como Liderança Situacional e OSCAR. Project Valuation Fornecer conhecimentos de funções financeiras para análise de viabilidade econômica de projetos. 1. Abordagens para o Valuation. 2. Premissas para o Valuation. 3. Análise de fluxo de caixa, TIR, VPL. 4. Precificação. 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. Bibliografia do Módulo Operações e Tecnologia A Revolução Seis Sigma - de GEORGE ECKES - Ed. Campus - jul/2018. Ballou, Ronald. Gerenciamento da Cadeia de Suprimentos, Editora Bookman - 2004. Jeremy F. Shapiro, Modeling the Supply Chain. 2ª edição. Pacific Grove Ca: Duxbury Press - 2006. Carvalho, M. M.; Rabechini Jr, R. Fundamentos em Gestão de Projetos: Construindo Competências para Gerenciar Projetos. São Paulo: Editora Atlas, 5ª edição, 2018. Costa, R.P. ; Gonçalves, A.; Neves, C.; Calôba, G.; Nakagawa, M.; Motta, R.R. Engenharia econômica e finanças. Rio de Janeiro, Campus/Elsevier. 2009. Damodaran, Aswath. Investment valuation: Tools and techniques for determining the value of any asset. Vol. 666. John Wiley & Sons, 2012. Damodaran, As. Davenport, Thomas H.; HARRIS, Jeanne G. Competição Analítica: vencendo através da nova ciência. Rio de Janeiro: Elsevier, 2007. Edition. Project Management Institute, Four Campus Boulevard, Newtown Square,2017. Fox, V. Marketing na Era do Google. Rio de Janeiro: Alta Books, 2011. GOOGLE; Treinamento e suporte do Google Analytics, 2016. Disponível em https://support.google.com/analytics/answer/4553001?hl=pt-BR. Acesso em 24 mai de 2018. Kaushik, A. Ocamm’s Razor, 2016. Disponível em http://www.kaushik.net/avinash/. Acesso em 13 set 2017. Kaushik, A. Web analytics: an hour a day. Indianapolis: Sybex, 2007. Kroenke, D & Dolan, K. Business Computer Dystems. Ed. Mcgraw Hill, 1990. Kroenke, D -Management Information Systems. Mitchell Publishing 1989 Laudon, J.P.; LAUDON, K.C. Sistemas de Informação Gerenciais- São Paulo, Pearson – Prenctice Hall, 7ª. ed., 2007. Laurindo, F.J.B. Tecnologia da Informação: planejamento e gestão de estratégias. São Paulo, Ed. Atlas, 2008. Luvizan, S. S.; Meirelles, F. S.; Diniz. E. H. Big Data: publication evolution and research opportunities. 11th International Conference on Information Systems and Technology Management (CONTECSI 2014). Disponível em http://www.contecsi.fea.usp.br/envio/11contecsi-files/papers/694/submission/director/694-2431-1-DR.pdf. Acesso em 13 set 2017. Mohammed J.; Zaki, W. M. J. Data mining and analysis: fundamental concepts and algorithms. New York: Cambridge University Press, 2014 (e-book). Novaes, AGN. Logística e Gerenciamento da Cadeia de Suprimentos. Bookman, 2ª. Edição, 2004. Novaes, AG.N. Sistemas de Transportes (3 volumes). Editora Edgard Blucher, 1986. Gualda, N.D.F. Terminais de Transportes: Contribuição ao Planejamento e ao Dimensionamento Operacional. Tese de Livre-Docência. EPUSP, 1995. CUNHA, C. B. Contribuição a Modelagem de Problemas em Logística e Transporte. Tese de Livre-Docência. EPUSP. 2006. PMI, Project Management Institute. A Guide to the project management body of knowledge (PMBoK Guide) 6th Rebouças de O,. D. de P. -Sistemas de Informações Gerenciais.- Ed.Atlas 1992 Rodrigues, M.; Cugnasca, C.E.; Queiroz Filho, A.P. Rastreamento de Veículos. São Paulo, Ed.Oficina de Textos, 2009. Rotondaro, R. G. Seis Sigma. Atlas. 2002 Sterne, J. Métricas em Mídias Sociais: como medir e otimizar seus investimentos em marketing. São Paulo: Nobel, 2012 |
||||
| Carga Horária: |
112 horas |
||||
| Tipo: | Obrigatória | ||||
| Vagas oferecidas: | 500 | ||||
| Ministrantes: |
André Leme Fleury Claudio Luis Cruz de Oliveira Daniel de Oliveira Mota Fernando Henrique Vilella Nakamuta Gustavo Lazzarini Maia Marcelo Schneck de Paula Pessoa |
 voltar |
|
Créditos © 1999 - 2025 - Superintendência de Tecnologia da Informação/USP |