Informações da Disciplina

 Preparar para impressão 

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


Escola de Engenharia de São Carlos
 
Engenharia de Produção
 
Disciplina: SEP0144 - Introdução à Ciência de Dados e Aprendizado de Máquinas aplicados à Engenharia de Produção
Introduction to Data Science and Machine Learning for Production Engineering

Créditos Aula: 4
Créditos Trabalho: 2
Carga Horária Total: 120 h
Tipo: Semestral
Ativação: 15/07/2022 Desativação:

Objetivos
O profissional de Engenharia precisa buscar meios de produção que permitam construir uma sociedade economicamente mais sustentável e centrada no ser humano, por meio da transformação digital em curso. Assim, objetiva-se apresentar os conceitos e técnicas de análises exploratórias e visualização de dados, reconhecimento de padrões e engenharia com grandes volumes de dados, os quais podem impactar diretamente o ser humano. Aprender os principais conceitos, características, procedimentos e recursos
relacionados ao processo de Análise de Dados visando o Aprendizado de Máquinas. O estudante deverá compreender as principais ideias ligadas à ciência de dados e conduzir suas próprias modelagens em problemas práticos que se apresentam ao profissional de Engenharia de Produção.
 
 
 
Docente(s) Responsável(eis)
3399578 - Eraldo Jannone da Silva
2239535 - Kleber Francisco Espôsto
2112902 - Luiz Cesar Ribeiro Carpinetti
94228 - Marcel Andreotti Musetti
2240134 - Mateus Cecilio Gerolamo
 
Programa Resumido
Principais conceitos sobre digitalização e ciência de dados (Data Science), grandes volumes de dados (Big Data), análise e visualização de dados (D ata Analytics), Métodos estatísticos de ciência de dados, Conceitos gerais sobre Algoritmos e Métodos computacionais de Aprendizado de Máquina (Machine Learning), e Engenharia de dados, contextualizados em ambientes práticos para o profissional de Engenharia de
Produção.
 
 
 
Programa
1. A quarta revolução industrial, a transformação digital e suas implicações para o profissional de Engenharia de Produção;
2. O fluxo e a análise de dados (inteligência de dados);
3. Análise exploratória: noções gerais sobre visualização, limpeza, transformação e tratamento de dados para aplicações em sistemas produtivos;
4. Análise estatística de dados. Principais aspectos sobre (Data Mining, Estatística descritiva e inferência, testes de hipóteses)
5. Noções sobre modelos estatísticos para grandes volumes de dados (Regressão Linear, Regressão Logística, Análise Discriminante, K-vizinhos mais próximos, Árvores de Classificação, Indução de Regras, Redes Neurais, Previsão e Análise de Conglomerados);
6. Ferramentas para Análise de Dados, aplicadas à Engenharia de Produção
7. Introdução à Inteligência Artificial (IA);
8. Aprendizado de Máquinas (Machine Learning - ML);
9. Noções de técnicas de aprendizado com aplicações em Engenharia de Produção (redes neurais, algoritmos genéticos, aprendizado estatístico, árvores de decisão, Aprendizado supervisionado e não supervisionado;
10. Aplicações com Programação Computacional, para a Engenharia de Produção (Robôs e linguagem Python);
 
 
 
Avaliação
     
Método
Aulas expositivas, discussões em sala de aula, leitura e elaboração de resenhas, atividades práticas em laboratório, provas, projetos, trabalhos, seminários e listas de exercícios.
Critério
Notas nas atividades e participação em aula e projetos
Norma de Recuperação
Prova e/ou trabalhos.
 
Bibliografia
     
AGRESTI, A. An Introduction to Categorical Data Analysis. 2nd Edition. Hoboken: John Wiley & Sons, 2007.
BHATIA, P. Data Mining and Data Warehousing. Cambridge: Cambridge University Press, 2019.
CONEGLIAN, Caio Saraiva; SEGUNDO, José Eduardo Santarém;
EMC. Data Science & Big Data Analytics: Discovering, Analysing, Visualizing and Presenting Data. EMC Education Services. Indianópolis: John Wiley & Sons, 2015.
Faceli, Katti; Lorena, Ana Carolina; Gama, João ; de Carvalho, A. C. P. L. F. (2011). Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: LTC. Flach, P. (2012).
GERON, A. Hands-on machine learning with scikit-learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Sebastopol: O'Reilly, 2017.
GRUS, J. Data Science from Scratch: first principles with Python. Sebastopol: O'Reilly, 2015.
IRIZARRY, R.A. Introduction to Data Science. Disponível em: https://rafalab.github.io/dsbook/
KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013.
Kubat, M. (2017). An Introduction to Machine Learning, 2nd Edition.
L’HEUREUX, A.; GROLINGER, K.; YAMANY, H. F. E.; CAPRETZ, M. Machine
learning with Big Data: challenges and approaches. IEEE Acces, Apr. 2017.
Lantz, B. (2019). Machine Learning with R: Expert techniques for predictive modeling, 3rd Edition.
LESKOVEC, J., ET AL. Mining of Massive Datasets. 2nd. Edition. Cambridge University Press, 2014.
MULLER, A. C.; GUIDO, S. Introduction Machine Learning with Pyton: a guide for Data Scientists. Sebastopol: O’Reilly, 2016.
Nwanganga, F., Chapple, M. (2020). Practical Machine Learning in R.
PAULA, G.A. Modelos de Regressão com Apoio Computacional. São Paulo: EDUSP, 2004.
PIERSON, L. Data Science for dummies. 2.ed. New Jersey: John Wiley & Sons, 2017.
SANT'ANA, Ricardo César Gonçalves. Big Data: fatores potencialmente discriminatórios em análise de dados. Em Questão, Porto Alegre, v. 23, n. 1, p. 62-86, 2017. Disponível em: < http://dx.doi.org/10.19132/1808-5245231.62-86 > DOI: 10.19132/1808-5245231.62-86.
SCHWAB, K.; DAVIS, N. Aplicando a Quarta Revolução Industrial. São Paulo: Edipro, 2018, p. 380.
SILVA, E. B. ET AL. Automação e Sociedade: quarta revolução industrial, um olhar para o Brasil. Rio de Janeiro: Brasport Livros e Multimidia Ltda. 2018, p. 304.
SIVARAJAH, U., ET AL. Critical analysis of Big Data challenges and analytical methods. Journal of Business Research 70 (2017) 263-286.
SWEIGART, A. Automatize tarefas maçantes com Python: programação prática para verdadeiros iniciantes. São Paulo: Novatec, 2017.
WITTEN, I.H., ET AL. Data Mining: Practical Machine Learning Tools and Techniques. 4th Edition, Elsevier, Morgan Kaufmann, 2016.
 

Clique para consultar os requisitos para SEP0144

Clique para consultar o oferecimento para SEP0144

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