Informações da Disciplina

 Preparar para impressão 

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


Escola de Artes, Ciências e Humanidades
 
Artes, Ciências e Humanidades
 
Disciplina: ACH2177 - Introdução à Ciência de Dados
Introduction to Data Science

Créditos Aula: 4
Créditos Trabalho: 2
Carga Horária Total: 120 h
Tipo: Semestral
Ativação: 15/07/2020 Desativação:

Objetivos
O objetivo da disciplina é apresentar conceitos e técnicas básicas de análise exploratórias, visualização de dados, reconhecimento de padrões e engenharia de dados em larga escala. O aluno deverá compreender as principais ideias ligadas à ciência de dados e conduzir suas próprias modelagens em problemas reais.
 
 
 
Docente(s) Responsável(eis)
643283 - Camilo Rodrigues Neto
2159727 - Esteban Fernandez Tuesta
5095110 - José de Jesus Pérez Alcazár
1299170 - Marcelo de Souza Lauretto
 
Programa Resumido
Conceitos gerais em ciência de dados; Análise exploratória de dados; Métodos estatísticos de ciência de dados; Métodos computacionais de machine learning; Engenharia de dados.
 
 
 
Programa
[1] Conceitos gerais em ciência de dados; [2] Análise exploratória: visualização de dados, limpeza, transformação, tratamento de dados faltantes e outliers; [3] Métodos estatísticos de ciência de dados: modelos lineares generalizados e análise de dados categorizados; [4] Métodos computacionais de machine learning: aprendizado supervisionado e não supervisionado, tratamento de desbalanceamento, calibração e validação de modelos; [5] Engenharia de dados, novas tecnologias e aplicações em larga escala; [6] Estudos de casos aplicados a negócios.
 
 
 
Avaliação
     
Método
Provas, trabalhos, seminários e listas de exercícios.
Critério
Provas, trabalhos, seminários e listas de exercícios.
Norma de Recuperação
A recuperação será através de prova e/ou trabalhos.
 
Bibliografia
     
Básica
WITTEN, I.H., ET AL. Data Mining: Practical Machine Learning Tools and Techniques. 4th Edition, Elsevier, Morgan Kaufmann, 2016.
AGRESTI, A. An Introduction to Categorical Data Analysis. 2nd Edition. Hoboken: John Wiley & Sons, 2007.
LESKOVEC, J., ET AL. Mining of Massive Datasets. 2nd. Edition. Cambridge University Press, 2014.

Complementar
BHATIA, P. Data Mining and Data Warehousing. Cambridge: Cambridge University Press, 2019.
EMC. Data Science & Big Data Analytics: Discovering, Analysing, Visualizing and Presenting Data. EMC Education Services. Indianópolis: John Wiley & Sons, 2015. 
GÉRON, A. Hands-on Machine Learning with Scikit-Learning & TensorFlow. O´REILLY, 2017. 
IRIZARRY, R.A. Introduction to Data Science. Disponível em: https://rafalab.github.io/dsbook/
KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013. 
PAULA, G.A. Modelos de Regressão com Apoio Computacional. São Paulo: EDUSP, 2004. 
SIVARAJAH, U., ET AL. Critical analysis of Big Data challenges and analytical methods. Journal of Business Research 70 (2017) 263-286.
 

Clique para consultar os requisitos para ACH2177

Clique para consultar o oferecimento para ACH2177

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP