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: LCE1270 - Inteligência Artificial, Big-Small Data e Gestão para Indústria, Serviços e Fazenda 4.0
Artificial Intelligence, Big-Small Data and Management for Industry, Services and Farm 4.0

Créditos Aula: 4
Créditos Trabalho: 0
Carga Horária Total: 60 h
Tipo: Semestral
Ativação: 01/01/2020 Desativação:

Objetivos
Desenvolver no aluno senso crítico em Inteligência Artificial, Big-Small Data e Gestão para Indústria, Serviços Marketing, Economia e Fazenda 4.0, buscando aumentar significativamente sua empregabilidade e competitividade quando ingressar no mercado de trabalho.
 
 
 
Docente(s) Responsável(eis)
5542817 - Cristian Marcelo Villegas Lobos
2553644 - Edwin Moises Marcos Ortega
2688982 - Gabriel Adrian Sarries
 
Programa Resumido
Inteligência Artificial (IA): conceito, algoritmos e aplicações em gestão, engenharia, biologia, ambiência, economia, gestão de negócios e pesquisa. Aprendizado de máquina e redes neurais, comparação de resultados com métodos estatísticos convencionais. Aplicação de IA, Data Mining, Big-Small Data, trade off. Tecnologias de gestão e certificação Internacional da qualidade, na Indústria, Serviços Marketing, Economia e Fazenda 4.0 Visando Hipercompetitividade.
 
Philosophy, basic concepts and tools of the main global management systems and business quality assurance systems, international certification. Statistical Quality Control and Statistic for Management. Business Intelligence Systems. Elaboration of process maps, mental maps, UML and other diagrams using programs with hypertext and “flash” tool. Learning systemic management and global system through electronic learning with certification. Entrepreneurship, centralized or third-party work. Life quality: conceptualization, measurement and diagnosis (WHO).
 
 
Programa
Inteligência Artificial (IA): conceito, algoritmos: Rain Forest, Support Vector Machine, NaiveBayes, E Clasification e RegressionTree. Aplicações em gestão, engenharia, biologia, ambiência, economia, gestão de negócios e pesquisa.Aprendizado de máquina e redes neurais, comparação de resultados com métodos estatísticos convencionais, linguagens R, Python, SAS e outras. Noções introdutórias: Regressão Logística, MANOVA, NPMANOVA, Funções Canônicas, DiscriminanteNP. Aplicação de IA,Big Data VsSmall Data, trade off, Big Data (petabytes, noções de Ferramentas: Inteligência Artificial, Machine Learning, Redes Neurais, HDFS, YARN, Hadoop, MAP REDUCE, etc. para desenvolver produtos hipercompetitivos) Small Data (terabytes, noções de Ferramentas: Inteligência Artificial, Machine Learning, Redes Neurais, testes de hipóteses, métodos robustos, multivariados, univariados, paramétricos, etc., para decisões internas das organizações, acabamento dos produtos hipercompetitivos, etc.) e Tecnologias de Gestão (como LeanSartup_Amazom, TQM_Toyota-Porsche-GE, ISO-9001-14001-22000-27000-17025,etc.GlobalGAP, BSC, PNQ,PPQ, EQA, 6 Sigma, Malcolm Baldrige, Deming Prize,LeanCanvas, QFD, FMEA/FTA, RCA, etc.) na Industria, Serviços Marketing e Fazenda 4.0 Visando Hipercompetitividade.
 
 
 
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
     
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 . BARBOSA L. P.;MORAES W. F. A. Estratégias em Ambientes Hipercompetitivos: O Caso da Indústria Brasileira de Embalagens para Cervejas e Refrigerantes. 2016. Disponível em:< http://www.anpad.org.br/admin/pdf/enanpad2001-eso-276.pdf>. Acesso em: 20/02/2019. COELHO A. C. As 7 tendências para o uso de inteligência artificial no Direito em 2018. Thomson Reuters The AnswerCompany. 2018. Disponível em: Acesso em: 21/2/2019. CURY R. G.; SERAFIM J. S. A Formação em Ciência de Dados: Uma Analise Preliminar do Panorama Estadunidense. DOI: 10.5433/1981-8920.2016v21n2p307. 2016. Disponível em. Acesso em: 20/02/2019. GALDINO N. Big Data: Ferramentas e Aplicabilidade. IESSA. 2016. Disponível em: . Acesso em: 20/2/2019. GOVERNO FEDERAL. Agenda brasileira para a Indústria 4.0 – O Brasil Preparado para os Desafios do Futuro. Ministério da Industria Comercio e Serviços. Disponível em: < http://www.industria40.gov.br/>. Acesso em: 20/02/2019. HEKIMA. O guia definitivo de Big Data para iniciantes. Big Data Business. 2019. Disponível em: < http://www.mettodo.com.br/ebooks/O_guia_definitivo_de_Big_Data_para_iniciantes.pdf >Acesso em: 21/2/2019. INTEL IT CENTER. Introdução à Big Data. Guia de Planejamento. 2014. Disponível em: . Acesso em: 20/02/2019. OVANESSOFFA.; PLASTINO E. Como a Inteligência Artificial pode Acelerar o Crescimento de América do Sul. 2018. Disponível em: https://www.accenture.com/t20170927T065936Z__w__/us-en/_acnmedia/PDF-50/Accenture-Como-a-inteligencia-artificial-acelero-crescimento-da-america-do-sul.pdf. Acesso em: 20/02/2019. SANTOS R. Introdução à Mineração de Dados com Aplicações em Ciências Ambientais e Espaciais. LAC-INPE.2012. Disponível em: . Acesso em: 20/02/2019. TEIXEIRA T.M.C. Uma Reflexão Teórica Sobre a Subjetividade da Informação. Perspectivas em: Ciência da Informação, v.22, n.4, p.82-97, out./dez. 2017. Disponível em: . Acesso em: 20/02/2019. VON ZUBEN F. Introdução à Inteligência Artificial. DCA/FEEC/Unicamp. 2017. Disponível em: . Acesso em: 20/02/2019.
 

Clique para consultar os requisitos para LCE1270

Clique para consultar o oferecimento para LCE1270

Créditos | Fale conosco
© 1999 - 2020 - Superintendência de Tecnologia da Informação/USP