Desenvolver os principais conceitos e ferramentas da Ciência de Dados para aplicação em projetos e processos de engenharia. São apresentados e exercitados os procedimentos para coleta, seleção, organização, estruturação, manipulação, análise, predição e verificação de dados. Visa aplicar as técnicas para avaliação de processos industriais; consolidar a inteligência de negócios nos projetos, modelagens e simulações de engenharia; gestão e manutenção de plantas industriais, maquinas, frotas e sistemas de engenharia; engenharia da qualidade e confiabilidade na Indústria 4.0 e em sistemas de internet das coisas. São apresentados dos conceitos, fundamentos e ferramentas em aulas expositivas e sua aplicação em aulas práticas de laboratório
Conceitos e ferramentas para ciência de dados com aplicação em engenharia. Coleta e preparação de dados. Métodos estatísticos para análise de dados. Big data e mineração de dados. Modelagem e machine learning. Apresentação e interpretação de resultados. Verificação e validação de modelos de predição. Análise de causalidade. Aplicação das técnicas em aulas de laboratório. Estudo de casos de engenharia.
1. Introdução e conceitos básicos da ciência de dados. 2. Métodos estatísticos e geração de resultados gráficos e visuais. 3. Regressão, análise de variância, análise de poder. 4. Reamostragem e bootstrapping. 5. Coleta, seleção e limpeza de dados. 6. Modelos lineares generalizados. 7. Análise de componentes principais e fatores. 8. Análise de séries temporais. 9. Análise de conglomerados. 10. Técnicas de classificação. 11. Apresentação de resultados gráficos e infogramas. 12. Infraestrutura física para ciência de dados. 13. Verificação e validação de modelos de predição. 14. Análise de causalidade.
1. BRUCE, PETER; BRUCE, ANDREW Practical Statistics for Data Scientists. O’Reilly Media, California, 2017. 2. CAIRO, ALBERTO The Truthful Art – Data, Charts, and Maps for Communication. Pearson Eductaion, 2016. 3. CIELEN, DAVY; MEYSMAN, ARNO D. B., ALI, MOHAMED Introducing Data Science – Big data, machine learning, and more, using Python tools. Manning Publ. Co., New York, 2016. 300pp. 4. COWPERTWAIT, PAUL S. P., METCALFE, ANDREW V. Introductory Time Series with R. Springer Science+Busness Media, Seatle, Washington, 2009. 254pp. 5. DEVORE, JAY L. Probabilidade e Estatística para Engenharia e Ciências. 8 ed, CENGAGE Learning, São Paulo, 2015. 693 pp. 6. FEW, STEPHEN Now you see it – Simple Visualization Techniques for Quantitative Analysis. Analytics Press, Burlingame, California, 2009. 327pp. 7. GREENGARD, SAMUEL The Internet of Things. The MIT Press Essential Knowledge Series, The MIT Press, Cambridge, Massachusetts, 2015. 8. HALPERN, JOSEPH Y. Actual Causality. The MIT Press, Cambridge, Massachusetts, 2016. 229pp. 9. HASTIE, TREVOR; TIBSHIRANI, ROBERT; FRIEDMAN, JEROME The Elements of Statistical Learning – Data mining, Inference, and Prediction. 2 ed., Springer Science+Business Media, New York, 2009. 10. IDRIS, IVIN Python Data Analysis. Packt Publishing Ltd., Birmingham, UK, 2014. 348pp. 11. KADACOFF, ROBERT I. R in Action – Data analysis and graphics with R. 2 ed., Manning Publ. Co., New York, 2015. 579pp. 12. KELLEHER, JOHN D., TIERNEY, BRENDAN Data Science. The MIT Press Essential Knowledge Series, The MIT Press, Cambridge, Massachusetts, 2018. 13. LANTZ, BRETT Machine Learning with R. 2 ed., Pack Publishing Ltd., Birmingham, UK, 2015. 14. LEWIS, N. D. Visualizing Complex Data Using R. CreateSpace Independent Publishing Platform, 2014. 404pp. 15. MONTGOMERY, DOUGLAS C. & RUNGER, GEORGE C. Estatística Aplicada e Probabilidade para Engenheiros. 4 ed., LTC Ed., 2009. 490 pp. 16. OJEDA, TONY; MUPHY, SEAN PATRICK, BENGFORT, BENJAMIN; DASGUPTA, ABHIJIT Practical Data Science Cookbook. Packt Publishing Ltd., Birmingham, UK, 2014. 17. REUTER, ROBERT Industrie 4.0 – Wenn Produkte und Maschinen Sprechen Lernen. Genios Verlag, GENIOS Branchen Wissen Nr. 04, 2012. 18. ROSENBAUM, PAUL R. Observation and Experiment – An Introduction to Causal Inference. Harvard University Press, Cambridge, Massachusetts, 2017. 374pp. 19. TOONEY, DAN R for Data Science – Learn and Explore the Fundamentals of Data Science with R. Packt Publishing Ltd., Birmingham, UK, 2014. 20. TUFTE, EDWARD R. The Visual Display of Quantitative Information. 2 ed., Graphics Press LLC, Cheshire, Connecticut, 2001. 187pp. 21. TUFTE, EDWARD R. Visual and Statistical Thinking: Displays of Evidence for Making Decisions. Graphics Press LLC, Cheshire, Connecticut, 1997. 31pp. 22. TUKEY, JOHN W. Exploratory Data Analysis. Pearson, Behavioral Science, 1977. 688 pp. 23. UNPINGCO, JOSÉ Python for Probability, Statistics, and Machine Learning. Springer Int. Publ., Switzerland, 2016. 24. VANDERPLAS, JAKE Python Data Science Handbook – Essential Tools for Working with Data. O’Reilly Media, Inc., Sebastopol, California, 2017. 25. WICHHAM, HADLEY; GROLEMUND, GARRETT R for Data Science – Import, tidy, transform, visualize, and model data. O’Reilly Media, Inc., California, 2017. 26. WICKHAM, HADLEY GGPLOT2 – Elegant Graphics for Data Analysis. 2 ed., Springer Int. Publ. AG, Switzerland, 2016. 200pp. 27. YAU, NATHAN Visualize This – The Flowing Data Guide to Design, Visualization, and Statistics. John Wiley & Sons, 2011. 358pp.