Atividade

143779 - Fundamentos de Dados e Aprendizado de Máquina Aplicado a Operações e Negócios

Período da turma: 14/09/2026 a 09/10/2026

Selecione um horário para exibir no calendário:
 
 
Descrição: Objetivo: Apresentar os fundamentos do ciclo “do problema de negócio ao problema de dados”, abordando preparação, validação e análise exploratória, além dos principais modelos de aprendizado supervisionado utilizados em operações e negócios, com foco em previsões e classificações reprodutíveis.

Justificativa: A qualidade das decisões analíticas depende diretamente da qualidade dos dados e do rigor metodológico aplicado à construção dos modelos de aprendizado de máquina. Profissionais de indústria e serviços precisam compreender como estruturar problemas reais em termos de dados, aplicar EDA, construir pipelines robustos e utilizar modelos supervisionados modernos de forma criteriosa. Esta disciplina estabelece a base conceitual e prática necessária para o desenvolvimento de sistemas analíticos confiáveis.

Conteúdo Programático: Do Problema de Negócio ao Problema de Dados: CRISP-DM e CRISP-ML(Q): etapas, artefatos e boas práticas. Mapeamento de objetivos de negócio em objetivos analíticos. Análise Exploratória de Dados (EDA): Sumários estatísticos, visualizações e detecção de padrões. Identificação de outliers, dados faltantes e inconsistências. Preparação e Validação de Dados: Pré-processamento: encoding, normalização, transformação. Estratégias de validação (hold-out, k-fold). Construção de pipelines e prevenção de data leakage. Modelos Supervisionados de Aprendizado de Máquina: Viés e variância; relação com generalização. Regressão linear e regularização (Ridge, Lasso). Classificação: regressão logística; árvores de decisão. Ensembles: Random Forest e Gradient Boosting. Métricas de avaliação e seleção de modelos.

Referências Básicas

BISHOP, C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006.
GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3. ed. Sebastopol, CA: O’Reilly Media, 2022.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. New York: Springer, 2009.
SCIKIT-LEARN DEVELOPERS. User Guide – scikit-learn. 2025. Disponível em: https://scikit-learn.org/stable/user_guide.html. Acesso em: 12 nov. 2025.

Carga Horária:

15 horas
Tipo: Obrigatória
Vagas oferecidas: 450
 
Ministrantes: Cláudio Fabiano Motta Toledo    (Professor USP)


 
 voltar

Créditos
© 1999 - 2026 - Superintendência de Tecnologia da Informação/USP