Informações da Disciplina

 Preparar para impressão 

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


Escola Superior de Agricultura "Luiz de Queiroz"
 
Ciências Exatas
 
Disciplina: LCE0137 - Inteligência Artificial, Ciência de Dados e Robótica Aplicada para Gestão de Organizações e Projetos Data Driven
Artificial Intelligence, Data Mining and Management for Innovation and Hypercompetitiveness

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

Objetivos
Inteligência Artificial (IA), Ciência de Dados Robusta (CDR) e Robótica Aplicada (RA) para Gestão de Organizações e Projetos Data Driven. Desenvolver no aluno senso crítico e habilidades em Inteligência Artificial, Ciência de Dados e Robótica Aplicada para Gestão de Organizações e Projetos Data Driven. Com aplicações em Data Mining, Big Data e Gestão – Sistemas Mundiais de Gestão- para Inovação e hipercompetitividade. O conhecimento será útil em sua vida acadêmica e principalmente no mercado de trabalho, aumentando significativamente a empregabilidade e competitividade do egresso.
 
 
 
Docente(s) Responsável(eis)
5542817 - Cristian Marcelo Villegas Lobos
2553644 - Edwin Moises Marcos Ortega
2688982 - Gabriel Adrian Sarries
 
Programa Resumido
A) Inteligência Artificial (IA): conceito, algoritmos e aplicações em gestão, engenharia, biologia, economia, ambiência e pesquisa. Aprendizado de máquina e redes neurais, comparação de resultados com métodos estatísticos convencionais. Conceituação, tipos e aplicações da IA, RA e CDR. B) Algoritmos para inteligência artificial indutiva e dedutiva, implementações em Python, SAS, R, Weka, Excel Avançado, RapidMiner e JMP. C) Parâmetros da IA, hiper parâmetros e funções de inicialização, parâmetros provenientes da Matriz de Confusão: Acuracy, Erro Tipo I e II, Falsos Positivos, Negativos, Especificidade, Sensitividade, Precisão etc. Publicações dos professores da disciplina utilizando os conceitos na ESALQ e CENA. D) CDR univarida, multivariada, conjoint analysis (fatoriais fracionários), interação dupla e tríplice, uniformidade e capacidade de processos. E) Robótica Aplicada, analise, projeto, prototipação, codificação, testes e documentação de robôs e aplicativos para pc, tablet e celular linguagens Python e C, comparação em custo, desempenho e segurança. F) Métodos estatísticos para Data Mining. G) Métodos de gestão e certificação internacional da qualidade. O NIT Qualidade e Metrologia na Agropecuária USP/EMBRAPA/CNPq/Indústria. Aplicação de IA e Data Mining na Gestão da Inovação em ambientes de Hipercometitividade. H) Organizações e Projetos Data Driven.
 
Philosophy; Basic concepts and quality management tools of the main world systems; International certification; Quality statistical control; Process maps, mind maps and other diagrams to be developed using programs with hypertext resources and "flash" tool; Systemic management and global systems through e-learning with certification; Entrepreneurship: concepts, schools, advantages, application methodology, expansion of the labor market; Analysis of the Biology labor market in Brazil and worldwide.
 
 
Programa
A) Inteligência Artificial (IA): conceito, algoritmos e aplicações em gestão, engenharia, biologia, economia, ambiência e pesquisa. Aprendizado de máquina e redes neurais, comparação de resultados com métodos estatísticos convencionais. Conceituação, tipos e aplicações da Inteligência Artificial (IA), RA (Robótica Aplicada) e CDR (Ciência de Dados Robusta): indutiva, supervisionada para classificação, para predição e não supervisionada B) Algoritmos para inteligência artificial indutiva e dedutiva, implementações em Python (IDEs: Jupyter, VS Code, Pycharm e Spyder Python IDE), SAS, R, Weka, RapidMiner e JMP, os alunos aprenderão a utilizar Weka, programa exclusivamente de IA, visual, amigo do usuário, SAS o mais importante para empregabilidade, linguagem de quarta geração e Excel Avançado. Serão apresentadas linguagens de computação de alto e baixo nível, de primeira até quinta geração. Os algoritmos de IA Indutiva, Machine Learning que serão ensinadas são: Redes Neurais (Multilayer Perceptron) com diferente número de camadas de neurônios, hiper parâmetros e funções de inicialização, Random Forest, Suport Vector Machine, Naives Bayes, CART, Deep Learning, Função Logística, Analise Discriminante Linear, Quadrático, Bayesiano e Robusto, Funções Canônicas 1D, 2D e 3D (redução de dimensão), PCA e Biplot, Cluster Analysis, Factor Analysis Exploratório, Confirmatório e Equação de Modelos Estruturais. Visual Analytics. C) Parâmetros da IA, hiper parâmetros e funções de inicialização, learning rate, momentum etc. Parâmetros provenientes da Matriz de Confusão: Taxa de Acerto-Acuracy, Erro Tipo I e II, Taxa de Falsos Positivos e Negativos, Especificidade, Sensibilidade (recall), Taxa de Omissão, Precisão, F1Score, FDR, Predição Negativa, tamanho ótimo de amostra para IA Indutiva, Índice de Generalização, Overfiting etc. Publicações dos professores da disciplina utilizando os conceitos na ESALQ e CENA.  D) CDR univarida, multivariada, conjoint analysis (fatoriais fracionários), interação dupla e tríplice, regressão robusta e polinomial, uniformidade e capacidade de processos uniformidade e capacidade de processos, U de Mann Witney, Wilcoxon, NPANOVA, NPMANOVA, Correlações Canônicas,  Robust Multivariate Regression, Gráfico de Uniformidade-Controle para a Mediana, Cusum, MMEP, Gráficos de Capacidade de Processos Robustos, uni e multivariados, Proficiência de Organizações, Metrologia, métodos robustos. E) Robótica Aplicada, analise, projeto, prototipação, codificação, testes e documentação de robôs e aplicativos para pc, tablet e celular linguagens Python e C, comparação em custo, desempenho e segurança, Digrama de Nassi Schneiderman, Diagrama Hierárquico de Blocos, DFD, Diagrama Entidade Relacionamento, simulação computacional, Bootstrapping e Jackknife, Monte Carlo, do desempenho de aplicativos e robôs. F) Métodos estatísticos para Data Mining. G) Métodos de gestão e certificação internacional da qualidade. O NIT Qualidade e Metrologia na Agropecuária USP/EMBRAPA/CNPq/Indústria. Aplicação de IA e Data Mining na Gestão da Inovação em ambientes de Hipercometitividade. H) Organizações e Projetos Data Driven, conceito, sistemas e ferramentas de gestão, IA-CDR e RA.
 
 
 
Avaliação
     
Método
A avaliação do aprendizado é feita por meio de prova (P), relatórios (R) e apresentação de seminário (S) utilizando hipermidias.
Critério
A média final é obtida da seguinte forma: 0,3 P + 0,35 R + 0,35 S.
Norma de Recuperação
Será feita sob a forma de uma prova com duas horas de duração, aplicada após o término das aulas, em época determinada pela USP. A média final será a média aritmética entre a nota desta prova e a média obtida no semestre.
 
Bibliografia
     
Literatura Básica:
ALCOFORADO, L. F. Utilizando a linguagem R: conceitos, manipulação, visualização, modelagem e elaboração de relatórios. Editora Alta Books, São Paulo. 2021. 384p.
AZEVEDO FILHO, A. J. B.V. . Princípios de Inferência Dedutiva e Indutiva: Noções de Lógica e Métodos de Prova. 1/1. ed. Scotts Valley, EUA: CreateSpace Publishers, 2010. v. 1. 140p.
MICROSOFT. Office Online. Janeiro 2010. <http://office.microsoft.com/en-us/training/CR061829401033.aspx>
MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes, 3a ed, 2019.
MONDEN, Y. Toyota Management System: Linking the Seven Key Functional Areas. Kindle, USA. 2018. 435p.
SARRIÉS, G.A. Site da Disciplina LCE 137, 1998. Disponível em:   . Acesso em: 15/2/2022.
SARRIÉS, G.A. Blog da Disciplina LCE 137, 2002. Disponível em < https://mercado-gestao-empeend.blogspot.com/  >. Acesso em: 15/2/2022.
SARRIÉS, G.A. Projeto Inteligência Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível em < https://sites.google.com/usp.br/ia-cd-ra-gestao-gabriel >. Acesso em: 15/2/2022.
SARRIÉS, G.A. Gabriel Informação e Inteligência Organizacional (BI). Gabriel-Informa-intel-
organiza.blogspot.com.br. 2015.
TURBAN, E. & RAINER, R. K. & PORTTER, R. E. Introdução a Sistemas de Informação uma Abordagem Gerencial. São Paulo: Editora Campus. 2007, 457p.

Literatura Complementar:
ISHIKAWA, K. Guide to quality control. Tokyo: Kraus Asian Productivity Organization, 1982. 221p.
JURAN, J.M.; GRYNA, F.M. Juran controle da qualidade: métodos especiais de apoio à qualidade. São Paulo: Makron Books, 1993. 193p.
LIKER, K. & MEIER D. O Modelo Toyota, Manual de Aplicação. Porto Alegre: Bookman, 2007. 432p.
SARRIÉS, G.A. Treinamentos em Inteligência Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível em < https://sites.google.com/view/ia-cd-treinamentos-usp-gabriel>. Acesso em: 15/2/2022.
SARRIÉS, G.A. Workshops em Inteligência Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível em < https://sites.google.com/usp.br/melhorar-empregab-competit >. Acesso em: 15/2/2022.
SARRIÉS, G.A. Site da Disciplina de Pós-graduação. LCE 5736. 2002. Disponível em < https://sites.google.com/view/lce5736-usp-sarries >. Acesso em: 15/2/2022.
SARRIÉS, G.A.; VICINO, S.R.; LAY REYES, A.E. Qualidade Total e Certificação Internacional da Qualidade em Internet. Introdução ao Controle Estatístico da Qualidade: Controle de Qualidade Usando o Excel. In: ESALQ (on line). Piracicaba: ESALQ, CIAGRI, Janeiro 2015. Available from World Wide Web: http://www.esalq.usp.br/qualidade.
SARRIÉS, G.A. Benchmarking na Agricultura. In: ESALQ (on line). Piracicaba: ESALQ. CIAGRI, Janeiro 2015. Available from world wide web: http://www.esalq.usp.br/bentevi
TIPS TRAINING AND CONSULTING. Excel tip.com, janeiro 2010. Available from World Wide Web: <http://www.exceltip.com>

SARRIÉS, G.A.; SILVA, M.; NEGRILLO, B.G.; BRANDI Jr., V. A computer system for non parametric statistics. Biometric Bulletin, v.7, n.4, p.13, 1990b.
SARRIÉS, G.A. 1991. Apostila Tutorial do Sistema SANEST. Piracicaba. CIAGRI/USP. 64p.
SARRIÉS, G.A. Benchmarking na Agricultura. In: ESALQ (on line). Piracicaba: ESALQ. CIAGRI, março/2005. Available from world wide web: http://www.esalq.usp.br/bentevi
SAS INSTITUTE INC. SAS/QC Guide for Personal Computers. Cary, NC. SAS Institute Inc. 540 p.
VICINO, S.R.; SARRIÉS, G.A.; FERNANDES, E.A.N.; MACHADO, P.F.; PEREIRA, A.R. Qualidade metrologia para laboratórios de análise de leite: uma proposta. In: Congresso Sul-Americano de Metrologia, 2. Foz do Iguaçu, 9 a 11/08/99. Anais. Foz do Iguaçu: Paraná Metrologia, 1999. p. 154-157.
WESTGARD, J.O. & BARRY, P. 1986. Cost-Effective Quality Control: Managing the Quality and Productivity of
Analytical Processes. Washington DC. AACC Press-American Association for Clinical Chemistry Inc. 228p.
VIEIRA, S. Estatística para qualidade. Rio de Janeiro: Campus, 1997. 472p
TURBAN, E. & RAINER, R. K. & PORTTER, R. E. Introdução a Sistemas de Informação uma Abordagem Gerencial. São Paulo: Editora Campus. 2007, 457p.
 

Clique para consultar os requisitos para LCE0137

Clique para consultar o oferecimento para LCE0137

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