Ementa: Definições de Inteligência, IA, Aprendizado de Máquina, Aprendizado Profundo e Ciência de Dados. Quando e por que utilizar IA. Principais desafios. Visão geral dos principais tipos (supervisionado, não-supervisionado, semi-supervisionado) e problemas (classificação, regressão, clusterização). Treino, validação e teste. Generalização, overfitting, underfitting e trade-off bias-variância. Métricas de desempenho. Ciclo de vida de um projeto de IA. Mercado de trabalho e impactos sociais.

Objetivos: Compreender os princípios fundamentais da Ciência de Dados e da IA, reconhecendo suas aplicações, metodologias e implicações na transformação digital.

Referências Básicas: KELLEHER, J. D. Data Science (MIT Press, 2019); MOREIRA, J. et al. A General Introduction to Data Analytics (Wiley, 2019); RUSSELL, S. J.; NORVIG, P. Inteligência Artificial (4ª ed., Pearson, 2021); SALTZ, J. S.; STANTON, J. M. An Introduction to Data Science (Sage, 2017).

Ementa: Principais conceitos de estatística. Tipos de variáveis. Medidas de tendência central e dispersão. Análise de relação entre variáveis. Distribuições de probabilidade. Introdução e motivação da análise exploratória de dados. População, amostra e amostragem. Detecção de valores discrepantes (outliers) e limpeza de dados.

Objetivos: Capacitar o aluno a realizar análises exploratórias utilizando ferramentas estatísticas e computacionais para guiar etapas posteriores de Ciência de Dados.

Referências Básicas: DASGUPTA, A. Practical Statistics for Data Scientists (2ª ed., O'Reilly, 2021); MORETTIN, P.; BUSSAB, W. Estatística Básica (9ª ed., Saraiva, 2017); TRIOLA, M. Introdução à Estatística (12ª ed., LTC, 2017).

Ementa: Visão geral de bancos de dados relacionais e não-relacionais. Projeto de banco de dados. Álgebra relacional. Linguagem SQL. Bancos orientados a documentos, colunas e grafos. Migração e integração SQL e NoSQL.

Objetivos: Compreender, projetar e utilizar bancos de dados relacionais e NoSQL aplicados a projetos de Ciência de Dados e IA.

Referências Básicas: CORONEL, C.; MORRIS, S. Database Systems (Cengage, 2017); ELMASRI, R.; NAVATHE, S. Sistemas de Banco de Dados (7ª ed., Pearson, 2019); PERKINS, L. et al. Seven Databases in Seven Weeks (2ª ed., 2018); SADALAGE, P. J.; FOWLER, M. NoSQL Distilled (Addison-Wesley, 2012).

Ementa: Problemas típicos em bases de dados. Normalização e transformação. Tratamento de valores faltantes, ruídos, outliers e redundância. Web Crawling / Scraping. Tipos de dados e técnicas de visualização. Data storytelling e Dashboards. Análise uni e bivariada, matriz de correlação. Uso de Pandas, Matplotlib, NumPy e SciPy.

Objetivos: Extrair e preparar dados de diferentes fontes e criar visualizações claras e eficazes para comunicar análises e resultados.

Referências Básicas: BAESENS, B. Practical web scraping for Data Science (Apress, 2018); MCKINNEY, W. Python for Data Analysis (3ª ed., O'Reilly, 2022); KNAFLIC, C. Storytelling com dados (2ª ed., Alta Books, 2019); MITCHELL, R. Web Scraping com Python (Novatec, 2019).

Ementa: Fundamentos de Gestão de Projetos de Ciência de Dados. Planejamento Estratégico e Gestão de Equipes. Implementação de Estratégias de Dados. Medição e Avaliação de Resultados. Tomada de Decisões Baseada em Dados. Liderança, Governança e LGPD.

Objetivos: Planejar, liderar e avaliar iniciativas de ciência de dados e IA alinhadas à estratégia organizacional e aos aspectos éticos e legais.

Referências Básicas: DAVENPORT, T. H.; KIM, J. H. Keeping Up with the Quants (HBR Press, 2013); DELEN, D.; DEMIRKAN, H. Prescriptive Analytics (Springer, 2020); PATIL, D. J.; MASON, H. Data Driven (O'Reilly, 2015).

Ementa: Aprendizagem supervisionada (regressão e classificação). Métricas de avaliação de erro. KNN, Árvores de Decisão, SVM, Redes Neurais Artificiais. Aprendizagem não-supervisionada: agrupamento e redução de dimensionalidade. Modelos geradores. Machine Learning prático com Python.

Objetivos: Apresentar os fundamentos teóricos e práticos de Machine Learning para construir, avaliar e aplicar modelos em problemas reais.

Referências Básicas: GIUSSANI, A. Applied Machine Learning with Python (Bocconi Press, 2020); LUGER, G. Inteligência Artificial (6ª ed., Pearson, 2013); MARSLAND, S. Machine Learning (2ª ed., CRC Press, 2015); RASCHKA, S.; MIRJALILI, V. Python Machine Learning (3ª ed., Packt, 2019).

Ementa: Fundamentos e Arquiteturas de Redes Neurais. Redes Neurais Convolucionais (CNN) e Recorrentes (RNN). Técnicas de Treinamento, Transfer Learning e Fine-Tuning. Processamento de Linguagem Natural (NLP) e Visão Computacional. Frameworks de Deep Learning (Keras, TensorFlow, PyTorch).

Objetivos: Compreender e aplicar arquiteturas de aprendizado profundo em visão computacional, linguagem natural e séries temporais.

Referências Básicas: CHOLLET, F. Deep Learning with Python (2ª ed., Manning, 2021); GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3ª ed., O'Reilly, 2022); GOODFELLOW, I. Deep Learning (MIT Press, 2016).

Ementa: Ética e Implicações Sociais da IA. Tecnologias Emergentes. IA aplicada à Saúde, Finanças, Marketing, Automação e Robótica. IA Generativa e Grandes Modelos de Linguagem (LLMs). IA e Segurança Cibernética. Regulamentação e Políticas Públicas de IA.

Objetivos: Discutir as fronteiras tecnológicas e desafios contemporâneos da IA, estimulando o pensamento crítico sobre impactos técnicos, éticos e regulatórios.

Referências Básicas: PARISI, A. Cybersecurity and Artificial Intelligence (Packt, 2020); RUSSELL, S.; NORVIG, P. Artificial Intelligence (4ª ed., Pearson, 2020); SCHWAB, K. A Quarta Revolução Industrial (Edipro, 2018); TOPOL, E. Deep Medicine (Basic Books, 2019).