Complementar a formação dos alunos do curso Matemática Aplicada a Negócios em tópicos de Análise Estatística de Dados. Consolidar as habilidades dos alunos quanto ao Pacote Estatístico R, muito usado nos ambientes de estágio dos graduandos, e de trabalho dos alunos egressos do curso. Introduzir métodos da Teoria do Aprendizado Estatístico (Statistical Learning), área da Estatística e os métodos da área de Machine Learning, área de computação, que hoje compõem um currículo mínimo para profissionais que trabalham com grandes quantidades de dados. 

Machine Learning e a Teoria do Aprendizado Estatístico (Statistical Learning): visão geral das áreas. Tópicos de Análise Exploratória de Dados usando o Pacote Estatístico R. Tópicos de Modelos de Regressão usando Pacote Estatístico R. Tópicos de Análise Categórica de Dados usando Pacote Estatístico R. Seleção de Modelos. 

1. Introdução: Machine Learning e Teoria do Aprendizado Estatístico (Statistical Learning): visão geral dos métodos, diferenças, exemplos e aplicações motivacionais para apresentação dos demais tópicos da disciplina.
2. Tópicos de Análise Exploratória de Dados usando o Pacote Estatístico R
2.1. O Pacote Estatístico R: apresentação, orientações para a instalação do R Studio, orientação básica, principais bibliotecas e procedimentos. Exercícios práticos.
2.2.  Organização dos dados brutos em tabelas, gráficos e outras formas de apresentação que podem indicar padrões e características dos dados analisados. Classificação das variáveis, construção de histograma e gráfico de barras; determinação da forma de suas distribuições. 
2.3 Clusterização: Clusterização Hierárquica e K-Means.
2.4.Complemento de outros métodos conhecidos e usados pelo(s) ministrante(s) da disciplina.
3. Tópicos de Modelos de Regressão usando o Pacote Estatístico R: 
3.1. Método dos mínimos quadrados e regressão linear: análise de resíduos; previsões; análise da aderência do modelo. Exemplos aplicados. 
3.2. Regressão Multivariada: conceitos teóricos e exemplos; análise da aderência do modelo. Exemplos aplicados.
3.3. Regressão Logística: conceitos teóricos e exemplos; análise da aderência do modelo. Exemplos aplicados.
3.4. Complementos de outros métodos conhecidos e usados pelo(s) ministrante(s) da disciplina.
4. Tópicos de Análise Categórica de Dados usando Pacote Estatístico R: 
4.1 Variáveis discretas e tabelas de contingência. 
4.2 Medidas de associação. 
4.3 Modelos probabilísticos para dados discretos. 
4.4 Tabelas 2 x 2: testes de independência e homogeneidade. 
4.5 Tabelas s x r: testes de independência, homogeneidade, simetria e homogeneidade marginal. Exemplos de classificação de tweets ou outros textos gerados em redes sociais.
4.6 Complemento de outros métodos conhecidos e usados pelo(s) ministrante(s) da disciplina.
5. Seleção de Modelos e Classificação (uso dos métodos dos itens anteriores): 
5.1 Modelos de aprendizado supervisionado e não-supervisionado; 
5.2 Modelos de regressão e categóricos; 
5.3 Métodos de avaliação, comparação e aderência dos modelos. Aplicação em vários conjuntos de dados.  
5.4 Complemento de outros métodos conhecidos e usados pelo(s) ministrante(s) da disciplina.