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.
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
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
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