Jupiterweb

Informações da Disciplina

Preparar para impressão

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação

Escola de Engenharia de Lorena

Ciências Básicas e Ambientais

Disciplina: LOB1266 - Introdução à Ciência de Dados e Aprendizado de Máquinas

Introduction to Data Science and Machine Learning

Créditos Aula:	4
Créditos Trabalho:	0
Carga Horária Total:	60 h
Tipo:	Semestral
Ativação:	01/01/2025	Desativação:

Objetivos

Utilização de ferramentas e bibliotecas computacionais para resolver problemas básicos de ciências de dados e aprendizado de máquinas

Using computational tools and libraries to solve basic data science and machine learning problems.

Docente(s) Responsável(eis)

8870322 - Fabiano Fernandes Bargos

Ementa

Introdução a ciência de dados; Ferramental e bibliotecas Python; Descoberta e preparação de dados; Aprendizado de máquina; predição, K-Vizinhos mais próximos e árvores de decisão; Desenvolvimento de um projeto de predição

Introduction to data science; Python tools and libraries; Data discovery and preparation; Machine learning; prediction, K-Nearest Neighbors and decision trees; Development of a prediction project

Conteúdo Programático

1) Introdução a ciência de dados: mercado profissional e a Indústria 4.0; 2) Ferramental e bibliotecas Python: Jupyter Notebook, Colab Google, NumPy e Pandas; 3) Raspagem web e uso de arquivos, bibliotecas Scikit-Learn, Matplotlib e Seaborn; 4) Descoberta e preparação de dados: descoberta de conhecimento em bancos de dados, análise, mineração, preparação e pré-processamento de dados; 5) Aprendizado de máquina: algoritmos e técnicas, ética e privacidade; 6) Predição: K-Vizinhos mais próximos, árvores de decisão e avaliação de modelos preditivos; 7) Desenvolvimento de um projeto de predição.

1) Introduction to data science: professional market and Industry 4.0; 2) Python tools and libraries: Jupyter Notebook, Colab Google, NumPy and Pandas; 3) Web scraping and use of files, Scikit-Learn, Matplotlib and Seaborn libraries; 4) Data discovery and preparation: knowledge discovery in databases, analysis, mining, data preparation and pre-processing; 5) Machine learning: algorithms and techniques, ethics and privacy; 6) Prediction: K-Nearest Neighbors, decision trees and evaluation of predictive models; 7) Development of a prediction project.

Instrumentos e Critérios de Avaliação

Método de Avaliação

Aulas teóricas e práticas nos laboratórios de informática. Serão aplicadas pelo menos duas avaliações denominadas P1 e P2. A P2 deverá englobar toda a matéria ministrada ao longo do semestre, abrangendo todos os tópicos previstos na ementa. As avaliações podem ser: seminários, trabalhos, projetos ou outra forma de avaliação definida pelo professor.

Critério de Avaliação

Média ponderada das avaliações (M) igual ou superior a 5,0 pontos.

Norma de Recuperação

A recuperação será composta por uma única prova (RC) englobando toda a matéria ministrada ao longo do semestre. A média final, para os alunos em recuperação, será calculada com base na relação: MF=(M+RC)/2

Bibliografia Básica

A)	FACELI, Katti et al. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: GEN, 2021.
B)	GRUS, J. Data Science do Zero. 2ª. ed. Rio de Janeiro: Alta Books, 2021.
C)	VanderPlas, J. Python Data Science Handbook. Sebastapol, CA: O’Reilly, 2016.
D)	BANIN, S. L. Python 3: conceitos e Aplicações: uma abordagem didática. São Paulo: Saraiva, 2018.
E)	BARI, A.; CHAOUCHI, M.; JUNG, T. Análise preditiva para leigos. 2a. ed. Rio de Janeiro: Alta Books, 2019.
F)	Manuais online das ferramentas utilizadas.

Clique para consultar os requisitos para LOB1266

Clique para consultar o oferecimento para LOB1266