Informações da Disciplina

 Preparar para impressão 

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


Faculdade de Economia, Administração, Contabilidade e Atuária
 
Administração
 
Disciplina: EAD0759 - Técnicas de Aprendizado de Máquina Aplicadas a Negócios
Machine Learning Techniques Applied to Business

Créditos Aula: 2
Créditos Trabalho: 0
Carga Horária Total: 30 h
Tipo: Semestral
Ativação: 01/01/2023 Desativação:

Objetivos
Conhecer os principais fundamentos e metodologias para análise de dados aplicados a negócios.

Compreender os principais métodos para análise de dados em problemas de negócio: Clássico, Ágeis e Híbridos.

Conhecer os principais fundamentos e técnicas de aprendizado de máquina (machine learning).

Compreender os principais fundamentos e estruturas de dados e da programação orientada a dados.

Conhecer técnicas de tratamento e preparação de estruturas de dados.

Conhecer técnicas estatísticas e computacionais para exploração e visualização de dados.

Compreender os fundamentos dos algoritmos de aprendizagem de máquina (machine learning)

Compreender os fundamentos dos algoritmos e técnicas de árvore de decisão (DT), máquinas de vetores de suporte (SVM), agrupamento (Cluster), associação e algoritmo genético (GA).

Conhecer e utilizar as estruturas básicas da linguagem de programação R.

Conhecer as principais ferramentas para utilização da linguagem R.

Conhecer e utilizar as principais bibliotecas da linguagem R para exploração e visualização de dados.

Conhecer e utilizar as principais bibliotecas da linguagem R para aplicação de técnicas de aprendizado de máquina.

Selecionar e compreender a aplicação de técnicas de aprendizado de máquina para criação de modelos para solução de problemas de classificação e regressão.

Selecionar e compreender a aplicação de técnicas de aprendizado de máquina para criação de modelos para solução de problemas de classificação e agrupamento.

Selecionar e compreender a aplicação de técnicas de aprendizado de máquina para a criação de modelos para solução de problemas de otimização.

Avaliar e validar de modelos de aprendizado de máquina.

Aplicar modelos de aprendizado de máquina para tomada de decisão.

Aplicação de métodos quantitativos e analíticos baseados em fatos (dados) para solução de problemas de negócio.

Descobrir oportunidades de mudança e inovação através da construção de modelos analíticos de dados.

Compreender e avaliar o potencial, as possibilidades, as limitações e as dificuldades para aplicação de modelos analíticos de aprendizado de máquina nos negócios. 

Compreender e avaliar os aspectos éticos da exploração e análise de dados.

Discutir a privacidade, segurança, veracidade e propriedade de dados entre outros aspectos éticos ligados à análise de dados. 

Discutir os possíveis impactos e responsabilidades sociais com a aplicação de modelos analíticos nos negócios.

Colaborar na realização de exercícios e estudos de caso sobre a aplicação de técnicas e modelos de aprendizado de máquina em problemas de negócio.

Adquirir competência para a redação de relatórios conclusivos sobre os modelos de análise de dados e sua aplicação, resultados e impactos nos negócios.

Pesquisar informações sobre técnicas, ferramentas e bibliotecas de aprendizado de máquina e sua aplicação nos negócios.

Pesquisar informações sobre fontes de dados e exemplos de modelos analíticos baseados em aprendizado de máquina.

Adquirir competência básica para criação e aplicação de modelos analíticos de aprendizado de máquina utilizando a linguagem de programação R.

Conhecer os principais recursos, ferramentas e bibliotecas da linguagem de programação R para aplicações de algoritmos de aprendizado de máquina.
 
 
 
Docente(s) Responsável(eis)
86344 - Antonio Geraldo da Rocha Vidal
 
Programa Resumido
Conceitos e Metodologias para Análise de Dados
Conceitos e Técnicas de Aprendizado de Máquina
Programação Orientada a Dados com a Linguagem R
Principais Algoritmos de Aprendizado de Máquina Aplicados a Negócios
Desenvolvimento e Aplicação de Modelos Analíticos baseados em Aprendizado de Máquina
 
 
 
Programa
Análise de Dados
Conceitos Básicos
Metodologias
Ciclo de Vida dos Dados
Estruturas e Preparação de Dados

Aprendizado de Máquina
Fundamentos de Aprendizado de Máquina
Modalidades de Aprendizado de Máquina
Inteligência Artificial, Machine Learning e Deep Learning

Programação Orientada a Dados com a Linguagem R
Programação Orientada a Dados
Linguagem de Programação R
RStudio – Ambiente Integrado de Desenvolvimento (IDE)

Técnicas e Algoritmos de Aprendizado de Máquina com a Linguagem R
Classificação: Árvores de Decisão, Random Forests, K-Means e SVM – Support Vector Machine
Agrupamento: Hierárquico e Não Hierárquico
Regras de Associação
Otimização: Algoritmo Genético
Técnicas para Análise de Textos Não-estruturados

Exercícios e Laboratórios Aplicados com a Linguagem R
Exercícios sobre a Linguagem R
Laboratórios de Modelos de Classificação
Laboratórios de Modelos de Agrupamento
Laboratórios de Modelos de Associação
Laboratórios de Modelos de Análise de Textos
Laboratórios de Otimização
 
 
 
Avaliação
     
Método
Avaliação individual (prova unificada - PROVA). Trabalhos em grupo (exercícios e laboratórios - EXERCÍCIOS).
Critério
O aluno será aprovado se obtiver média final (MÉDIA) maior ou igual a 5,0 através da seguinte fórmula: MÉDIA = PROVA*0,4 + EXERCÍCIOS*0,6 >= 5,0 O aluno terá direito a recuperação se obter média final entre 3,0 (três e zero) e 4,9 (quatro e nove) e no mínimo 70% de frequência.
Norma de Recuperação
O aluno será submetido a uma reavaliação cuja nota terá peso de 50% na média final.
 
Bibliografia
     
Site oficial da linguagem R: https://www.r-project.org/
Manuais oficiais da linguagem R: https://cran.r-project.org/manuals.html/
Site oficial do RStudio: https://www.rstudio.com
Foundations of Statistics with R - Book (Online):
https://bookdown.org/speegled/foundations-of-statistics/
Introduction to Statistical Learning with R - Book (PDF): http://faculty.marshall.usc.edu/gareth-james/ISL/index.html
Apostilas da Disciplina: disponíveis no e-Disciplinas/Moodle
Linguagem R para Todos
Linguagem R para Análise de Dados
Machine Learning with R – Second Edition, Brett Lantz, 2015
R Programming for Data Science – Roger D. Peng, 2015
Use R! ggplot2 – Elegant Graphics for Data Analysis – Second Edition, Hadley Wickham
Foundations of Statistics with R, Darrin Speegle, 2018: https://bookdown.org/speegled/foundations-of-statistics/
An Introduction to Statistical Learning: with Applications in R – Second Edition - Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, 2021
R para Data Science, Hadley Wickman & Garret Grolemund, Alta Books, 2019
Utilizando a Linguagem R, Luciane Ferreira Alcoforado, Alta Books, 2021
Introdução à Mineração de Dados com Aplicações em R, Leandro Augusto da Silva, Sarajane Marques Peres, Clodis Boscarioli - Elsevier, 2016

 

Clique para consultar os requisitos para EAD0759

Clique para consultar o oferecimento para EAD0759

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