O objetivo é apresentar conceitos e técnicas básicas de análise exploratórias, visualização de dados, reconhecimento de padrões e aprendizado de máquinas em larga escala. O aluno deverá compreender as ideias básicas da ciência de dados e realizar suas próprias modelagens em problemas reais.

1) Análise Exploratória; 2) Rudimentos de Teoria Bayesiana de Decisão; 3) Aprendizado de Máquina Supervisionado; 4) Aprendizado de Máquina não-supervisionado; 5) Redução de Dimensionalidade.

Análise exploratória: visualização de dados, limpeza, transformação, tratamento de dados faltantes e outliers; Rudimentos de Teoria Bayesiana da Decisão; Técnicas não-paramétricas para aferir densidades; Classificação Supervisionada: hiperplanos em problemas linearmente separáveis; Validação de modelos: matriz de confusão e métricas de performance a ela associadas; Classificação não-Supervisionada: métricas/distâncias e algoritmos para agrupamento; Redução de Dimensionalidade: PCA (Principal Component Analysis) e Seleçao de Características (Feature Selection).