CURSO

Sistemas de Informação

ESTRUTURA CURRICULAR

Sistemas de Informação Par786/17

PROFESSOR

Ney Kassiano Ramos

DISCIPLINA

Nome

Cód.

Sem.

Créditos

C. Horária

Data Science

0-18444

8º

4

80

EMENTA

Fundamentos de Data Science. Data Science e Big Data. Business Intelligence versus Data Science. Projetos em Data Science. Linguagem de programação para Data Science. Carreiras em Data Science.

OBJETIVO GERAL

Ao término da disciplina o aluno estará apto a compreender e desenvolver uma aplicação de manipulação e visualização de dados sob a óptica de Data Science. Será capaz de entender a sua atual importância e aplicabilidade em diversos setores, além de seus fundamentos e correlações. Por fim, o aluno entenderá como é formada a carreira em Data Science e as disciplinas que a compõem.

OBJETIVOS ESPECÍFICOS

Compreender os principais conceitos sobre Data Science e tecnologias correlatas. Desenvolver a mentalidade exploradora de estruturas de ciências de dados. Entender a sua aplicabilidade em setores, empresas ou organizações. Desenvolver aplicações para análise e manipulação de dados. Conhecer sumários estatísticos e as principais técnica gráficas de visualização de dados. Saber das principais linguagens de programação utilizadas na ciência dos dados.

CONTEÚDO PROGRAMÁTICO

UN.

CONTEÚDOS

C.H.

1

Apresentação da disciplina e do plano de ensino
1.1 Introdução

4

2

2.1 Definições do termo Data Science
2.2 Carreiras em Data Science
2.3 Perfil do Cientista de Dados
2.4 Engenheiro, Analista e Cientista de Dados e Engenheiro de Machine Learning

4

3

3.1 Big Data
3.1.1 Os “Vs” do Big Data
3.1 Business Intelligence e Data Science

4

4

4.1 Data Science: as fases e o fluxo em um projeto
4.2 Meta da Pesquisa

4

5

5.1 Linguagens de Programação para Data Science

8

6

6.1 Estatística Descritiva e Python para Data Science

8

7

7.1 Armazenamento de Dados
7.2 Obtenção de Dados
7.2.1 LGPD e Privacidade
7.2.2 Datasets
7.2.3 Biblioteca Python Pandas e similares

12

8

8.1 Transformação e Limpeza de Dados
8.1.1 Outliers
8.1.2 Bibliotecas Python Pandas, NumPy e similares

12

9

9.1 Exploração e Visualização de Dados
9.1.2 Tipos de gráficos, casos de uso e como interpretá-los
9.1.3 Bibliotecas Python Matplotlib, Seaborn e similares

12

10

10.1.5 Correlações Espúrias
10.1 Modelagem, Predição e Experimentação
10.2 Machine Learning
10.2 Data Science e IA’s generativas

12

TOTAL DE HORAS

80 h

Estratégias:AGC (Atividade Google Classroom); AEX (Aula expositiva dialogada); APE(Atividades Práticas Extraclasse); ARM (Aula com Recursos Multimídia); DG (Dinâmicas de Grupo); EC (Estudo de Caso); ED (Estudo Dirigido); ET (Estudo de Texto); EX (Exercício de Fixação); LAB (Aula em Laboratório); MAC (Mapeamento Conceitual); PAL (Palestra); SE (Seminário); SI (Simulação); TG (Trabalho em Grupo); TIG (Trabalho Integrado e em Grupo); TI (Trabalho Individual); VT (Visitas Técnicas), ARS (Aula Remota Síncrona); AGM (Aula Google Meet).

SISTEMÁTICA DE AVALIAÇÃO

CONHECIMENTOS

Testes de conhecimento, atividades propostas.

HABILIDADES

Eficiência e eficácia das soluções apresentadas para a resolução das atividades propostas. Articula saberes teóricos e práticos para a resolução de problemas.

ATITUDES

Pontualidade, assiduidade, contribuição para o bom andamento das aulas, participação nas atividades propostas, proatividade, trabalho em equipe, responsabilidade, respeito, sigilo profissional, postura profissional, uso das tecnologias em sala somente com foco educacional.

OUTRAS

DATAS PREVISTAS

Avaliação

Unidades

C

H

A

Valor

Data

Recuperação

Sim

Data

Avaliações 1 a 5 – avaliações práticas e/ou teóricas

Todas

x

x

x

5

A definir

x

A definir

Avaliação 6 – Seminários

Todas

x

x

x

2

A definir

x

A definir

Avaliação 7 – Projeto Integrador

x

x

x

3

A definir

 BIBLIOGRAFIA BÁSICA

1

GRUS, Joel. Data science do zero: noções fundamentais com Python. 2. Rio de Janeiro: Alta Books, 2016. 1 recurso online. ISBN 9788550816463.

2

SANTOS, Roger Robson dos et al. Fundamentos de big data. Porto Alegre: SAGAH, 2021. 1 recurso online. ISBN 9786556901749.

3

REZENDE, Denis Alcides; ABREU, Aline França de. Tecnologia da informação aplicada a sistemas de informação empresariais. 9. São Paulo: Atlas, 2014. 1 recurso online. ISBN 9788522490455.

 BIBLIOGRAFIA COMPLEMENTAR

1

COLAÇO JÚNIOR, Methanias. Projetando sistemas de apoio à decisão baseados em data warehouse. Rio de Janeiro: Axcel Books, 2004.

2

PADILHA, Juliana et al. Analytics para big data. Porto Alegre: SAGAH, 2022. 1 recurso online. ISBN 9786556903477.

3

AMARAL, Fernando. Aprenda mineração de dados: teoria e prática_. Rio de Janeiro: Alta Books, 2019. 1 recurso online. ISBN 9786555206852.

4

MACHADO, Felipe Nery Rodrigues. Tecnologia e projeto de data warehouse. São Paulo: Livros Érica Editora Ltda, 2004. 318 p. ISBN 8536500123.

5

PRIMAK, Fábio Vinícius. Decisões como B.I. (Business Intelligence). Rio de Janeiro: Ciência Moderna, 2008. 151 p. ISBN 9788573937143

6

TURBAN, Efraim; SHARDA, Ramesh; ARONSON, Jay E.; KING, David. Business intelligence: um enfoque gerencial para a inteligência do negócio. São Paulo: Bookman, 2009. 253 p. ISBN 9788577803347

obs:Os materiais da disciplina e atividades serão disponibilizados na plataforma Google Classroom. O código da turma será disponibilizado no início das aulas.