Ementas

Disciplina: Introdução a Análise e Ciência de Dados

Carga Horária: 15 horas

Ciclo: Básico

Docente: Me. Ivo Sócrates Morais de Oliveira

Objetivos:

Ementa: Introdução a Análise de Dados; Produção de Dados; Armazenamento Analítico; Análise de Dados; Problemas e Soluções em Análise de Dados; Análise de Dados Categóricos; Exemplos de Dados: Métricas de Desempenho; Indicadores; Sistemas de Medição.

Bibliografia

• Gomes, E.; Braga, F. Inteligência Competitiva em Temos de Big Data. Alta Books, 2017.
• Amaral, F. Introdução a Ciência de Dados. Alta Books, 2018.
• Provost, F.; Fawcett, T. DataScience para Negócios. Alta Books, 2016.
• Foreman, J. W. Data Smart. Alta Books, 2018.
• Francischini, A. S. N.; Francischini, P. G. Indicadores de Desempenho. Alta Books, 2017.

Disciplina: Armazenamento e Recuperação de Informações

Carga Horária: 30 horas

Ciclo: Básico

Docente: Dr. Eduardo Ferreira Ribeiro

Objetivos: Apresentar os mecanismos de armazenamento e recuperação de informações a partir de modelos de dados com base em registros e em objetos no contexto de dados estruturados, semiestruturados e não estruturados abordando a camada lógica e a camada de visão dos sistemas de gerência de banco de dados (SGBDs).

Ementa: Dado, Informação e Conhecimento. Abstração de Dados. Modelagem Conceitual de Dados. Fundamentos de Projeto de Banco de Dados. Projeto Conceitual de Banco de Dados. Projeto Lógico de Banco de Dados. Administração de Dados. Banco de Dados Não Convencionais. Projeto e implementação de um BD Relacional. Tipos de Bancos NoSQL. ACID x BASE. Key-value databases. Document databases. Column Family Databases.

Bibliografia

• Elmasri, R. Sistema de banco de dados. 6. ed. São Paulo, SP: Pearson Makron Books, 2011.
• Silberschatz, A. Sistema de banco de dados. 5. ed. Rio de Janeiro, RJ: Elsevier, 2006.
• Korth, H.; Silberchartz, A.; Sudarshan; S. “Sistemas de Banco de Dados”. Makron Books do Brasil, São Paulo, SP, 5ª edição, 2006.
• Date, C. J. Introdução a sistema de bancos de dados. Rio de Janeiro, RJ: Elsevier, 2004.
• Sadalage, P. J.; Fowler, M. NoSQL Essencial. Novatec, 2013.

Disciplina: Probabilidade e Estatística

Carga Horária: 30 horas

Ciclo: Básico

Docente: Dra. Glendara Aparecida Martins

Objetivos: Apresentar as técnicas exploratórias e probabilidade que permitem a descrição e a sumarização dos dados brutos, em geral, por meio de métodos visuais, empregando uma grande variedade de técnicas gráficas e quantitativas, visando maximizar a obtenção de informações ocultas na sua estrutura, de forma a descobrir variáveis importantes em suas tendências, detectar comportamentos anômalos do fenômeno, testar se as hipóteses assumidas são válidas.

Ementa: Estatística: teorias e aplicações; coleta de dados; tipos de variáveis; definições básicas; apresentação de dados em tabelas e gráficos; medidas numéricas descritivas; medidas de tendência central; variação e formato; medidas numéricas descritivas para uma população; análise exploratória de dados; a covariância e o coeficiente de correlação; probabilidade básica; Conceitos básicos de probabilidade; probabilidade condicional; Teorema de Bayes; Distribuição de probabilidades discretas (para uma variável), Binomial, Poisson; A distribuição Normal e outras distribuições contínuas; avaliando distribuição Uniforme; distribuição Exponencial; O teorema central do limite e a importância da distribuição Normal;

Bibliografia

• Bussab, W. O. e Morettin, P. A. Estatística Básica, 8ª Edição, Saraiva, São Paulo, 2013.
• DeGroot, M. H. e Schervish, M. J. Probability and Statistics, 4ª ed., AddisonWesley, 2012.
• Magalhães, M.; Lima, A. Noções de Probabilidade e Estatística, EDUSP, 7ª edição, 2013. 
• Ross, S., Introductory Statistics. Elsevier, 3ª Edição, 2010.
• Montgomery, Douglas C.; Runger, George C. Estatística Aplicada e Probabilidade para Engenheiros. 2ª Edição; Rio de Janeiro: LTC, 2003.

Disciplina: Técnicas de Gestão e Qualidade de Dados

Carga Horária: 30 horas

Ciclo: Básico

Docente: Dra. Anna Paula Rodrigues

Objetivo: Capacitar o acadêmico nas atividades de obtenção de dados úteis à descoberta de conhecimento, abordando técnicas de extração, limpeza, transformação e carga de dados provenientes de diversas fontes de dados (bancos de dados, planilhas, internet e APIs).

Ementa: Princípios de Qualidade de Dados; Dados Taxonômicos e Nomenclaturas; Dados espaciais; Coleta de dados com qualidade; Entrada e Aquisição de dados; documentar dados; Governança e qualidade de dados. Ferramentas de qualidade de dados. Dados mestres e a reutilização. Metadados; Engenharia de dados. Metodologia TDQM (Total Data Quality Management); Dados semi-estruturados: Arquivos XML, JSON e HTML. Dados não estruturados: Dados textuais. Conversão de documentos. Indexação. Codificações de caracteres. Técnicas de Pré-processamento de Textos. Extração de dados da web (Web scraping).

Bibliografia:

• Sadalage, P. J.; Fowler, M. NoSQL Essencial. Novatec, 2013.
• Mitchell, R.; Kinoshita, L. A. Web Scraping Com Python: Coletando Mais Dados Da Web Moderna. O’Reilly, 2019.
• Machado, F. N. R. Tecnologia e Projeto de Data Warehouse. Ed. Érica, 6.a edição, 2013.
• Gonçalves, R. R. Integração de Dados na Prática. Érica, 2012.
• Bergson, L. R. Gestão e Governança de Dados. Ed. Brasport, 2013.

Disciplina: Descoberta de Conhecimento e Mineração de Dados

Carga Horária: 30

Ciclo: Tecnológico

Docente: Prof. Dr. Warley Gramacho da Silva

Objetivo: Apresentar os conceitos básicos, objetivos, possibilidades e inovações sobre o processo de descoberta de conhecimento e as principais metodologias para a execução das tarefas e aplicação de técnicas para realização da mineração de dados.

Ementa: Introdução à Data Mining; Conceitos Básicos do Processo de Descoberta de Conhecimento em Bancos de Dados (Knowledge Discovery in Databases – KDD); Etapas do processo de KDD; Tarefas de KDD; Métodos de Data Mining; Metodologia de KDD; Pré-processamento de dados; Tarefas e técnicas de mineração de dados: classificação, regressão, detecção de agrupamentos, descoberta de regras de associação, sumarização, modelagem de dependências, detecção de tendências e exceções; Visualização de Dados; Aplicações e Exemplos de Data Mining. Processo de referência CRISP-DM: fases, tarefas genéricas e tarefas específicas.

Bibliografia:

• Goldschmidt, R. e Passos, E. Data Mining: Conceitos, Técnicas, Algoritmos, Orientações e Aplicações. 2.a edição. Ed. Campus, 2015.
• Castro, L. N. e Ferrari, D. G. Introdução a Mineração de Dados. Ed. Saraiva, 2016.
• Silva, L. A. Introdução à Mineração de Dados com Aplicações em R. Elsevier, 2016.
• Amaral, F. Introdução à Ciência de Dados: Mineração de Dados e Big Data. Alta Books, 2016.
• Ian H. Witten, Eibe Frank e Mark A. Hall. Data Mining: practical machine learning tools and techniques. Third Edition, Elsevier, 2011.

Disciplina: Métodos Estatísticos de Apoio à Decisão

Carga Horária: 30 horas

Ciclo: Básico

Docente: Dra. Glendara Aparecida Martins

Objetivos: Apresentar os métodos estatísticos com as técnicas e ferramentas essenciais para agilizar o tratamento e geração de informações mais precisas para apoio à decisão, criando um diferencial competitivo por meio de inferências, a partir de amostras obtidas de conjuntos de dados homogêneos e heterogêneos.

Ementa: Amostragem e distribuição de amostragens; tipos de métodos de amostragem; distribuições de amostragem; distribuição de amostragem da média aritmética; Estimativa do intervalo de confiança da média aritmética; Intervalos de confiança; Teste de hipótese para amostras normais; Estimativa do intervalo de confiança para a proporção; determinando o tamanho da amostra; Fundamentos de testes de hipóteses para uma amostra; Método dos Mínimos Quadrados; Regressão Linear; Correlação;

Bibliografia

• Montgomery, Douglas C.; Runger, George C. Estatística Aplicada e Probabilidade para Engenheiros. 2ª Edição; Rio de Janeiro: LTC, 2003.
• Neto, P. L. O. C. Estatística; São Paulo: Edgard Blücher Ltda., 2002.
• Bussab, W. O. e Morettin, P. A. Estatística Básica, 8ª Edição, Saraiva, São Paulo, 2013.
• Montgomery, Douglas C.; Runger, George C. Estatística Aplicada e Probabilidade para Engenheiros. 2ª Edição; Rio de Janeiro: LTC, 2003.
• Meyer, P. L. Probabilidade Aplicações à Estatística. LTC, 2ª Edição, 1983.

Disciplina: Inteligência de Negócios e Data Warehouse

Carga Horária: 30 horas

Ciclo: Tecnológico

Docente: Me. Ivo Sócrates M. de Oliveira

Objetivos: Apresentar os conceitos, ferramentas, tecnologias, aplicações e práticas usadas para coletar, integrar, analisar e apresentar os dados brutos de uma organização, com o intuito de criar informações perspicazes e acionáveis a partir de características, padrões e tendências observadas no conjunto de dados

Ementa: Introdução aos sistemas de Apoio à Decisão; Inteligência competitiva; O conceito de Business Intelligence (BI); Conceitos de Extração, Transformação e Carga (ETL); Gerência de Metadados Projeto e Implementação de DW; Modelagem para Data Warehousing; Modelo Estrela; Projeto físico de DW. Consumo da Informação; Extração de Data Marts; Aplicações OLAP; Análise de Dados Multidimensionais. Estudos de casos utilizando Ferramentas de mercado para projeto e implementação de Data Warehouses. Desenvolvimento de DWs com suas aplicações OLAP. Visualização de Dados; Construção de Painéis; Storytelling; Ferramentas para criação de dashboards (Power BI, Tableau, Excel, etc).

Bibliografia:

• Knaflic, C. M. Storytelling com Dados: um Guia Sobre Visualização de Dados Para Profissionais de Negócios. Alta Books, 2019.
• Aguilar, A. Visualização de Dados, Informação e Conhecimento. Ed. UFSC, 2017.
• Fawcett, T.; Provost, F.; Boscato, M. Data Science para Negócios. Alta Books, 2018.

Disciplina: Segurança da Informação

Carga Horária: 30 horas

Ciclo: Tecnológico

Docente: Me. Thiago Magalhães de Brito Rodrigues

Ementa: Ética e limites no uso de dados; Lei de Acesso à Informação (12.527/2011); Lei Geral de Proteção de Dados Pessoais (13.709/2018); Introdução a segurança da informação; Objetivos, possibilidades e áreas de aplicação da segurança da informação no serviço público; Gestão de incidente de segurança; Políticas de segurança; Criptografia; Assinatura digital; Certificação; Segurança na comunicação; Ataques a segurança; Mecanismos de defesa.

Bibliografia

• Stallings, W; Brown, L. Segurança de Computadores: Princípios e Práticas. 2. ed. São Paulo, SP: Elsevier Academic, 2014.
• Lyra, M. R. Segurança e auditoria em sistemas de informação. Rio de Janeiro: Ciência Moderna, 2008.
• Stallings, W. Criptografia e seguranca de redes: principios e práticas. 4. ed. Sao Paulo, SP: Pearson Prentice Hall, 2008.
• Semola, M. Gestao da seguranca da informacao: uma visao executiva. Rio de Janeiro, RJ: Elsevier, 2003.
• Imoniana, J. O. Auditoria de Sistemas de Informação. 3ª ed. Ed. Atlas, 2016.

Disciplina: Análise de Dados Espaciais

Carga Horária: 30 horas

Ciclo: Tecnológico

Docente: Dr. Andreas Kneip

Objetivos: Capacitar o acadêmico a realizar a combinação de informações cartográficas (mapas, cartas topográficas e plantas) e de sensoriamento remoto a outras bases de informações de forma a associar coordenadas geográficas de latitude e longitude, para adicionar uma nova dimensão aos dados tabulares convencionais, permitindo diversas modalidades de análise nas mais diversas aplicações para a análise visual de imagens de sensoriamento remoto em intervalos de tempo escolhidos sob a perspectiva de localização.

Ementa: Explorando a dimensão geográfica de dados georreferenciados. Utilizando ferramentas de visualização espacial. Tipos básicos de arquivos geo: vetorial e raster. Sistemas de coordenadas. Geocodificação de endereços e entidades georreferenciadas. Noções de cartografia. Criação de mapas temáticos com sobreposição de camadas. Obtendo e manipulando imagens de sensoriamento remoto. Provedores de imagens de satélite. Bandas espectrais. Criação de mosaicos. Dados tabulares e dados georeferenciados: junções espaciais.

Bibliografia:

• Kneip, A. Sistemas de Informação Geográfica: uma introdução prática. Palmas: EDUFT, 2014.
• Matos, J. Fundamentos de Informação Geográfica. 5a ed. Lisboa: Lidel, 2008.
• Casanova, M.; Câmara, G.; Davis, C.; Vinhas, L; Queiroz, G. R. (eds.). Bancos de Dados Geográficos. Livro on-line: http://www.dpi.inpe.br/livros/bdados/. Acessado em 15 de maio de 2009.
• Câmara, C.; Davis, C.; Monteiro, A. M. V. (eds.). Introdução à Ciência da Geoinformação. Livro on-line: http://www.dpi.inpe.br/gilberto/livro/introd/. Acessado em 15 de maio de 2009.
• Druck, S.; Câmara, G.; Monteiro, A. M.; Carvalho, M. S. (eds.). Análise Espacial de Dados Geográficos. Livro on-line: http://www.dpi.inpe.br/gilberto/livro/analise/. Acessado em 15 de maio de 2009.
• Worboys, M.; Duckham, M. GIS: a computing perspective. Segunda edição. Boca Raton: CRC Press, 426 p., 2004
• Burrough, P. A.; Mcdonnel, R. Principles of Geographical Information Systems. Oxford: Oxford University Press, 1998.
• Haining, R. Spatial data analisys in the social and environmental sciences. Cambridge: Cambridge University Press, 1990.

Disciplina: Visualização de Dados

Carga Horária: 15 horas

Ciclo: Tecnológico

Docente: Dr. Eduardo Ferreira Ribeiro

Objetivos: Apresentar os elementos fundamentais para a construção de mecanismos de visualização permitindo que os acadêmicos possam contar histórias a partir dos dados por meio de técnicas de visualização, design e dashboards de forma a explorar e comunicar os resultados e conclusões obtidas de forma eficaz.

Ementa: Visualização de Dados. Técnicas de Apresentação. Design Thinking. Dashboard e Gráficos. Storytelling com Dados. Ferramentas de Visualização.

Bibliografia: 

• Knaflic, C. M. Storytelling com Dados: um Guia Sobre Visualização de Dados Para Profissionais de Negócios. Alta Books, 2019.
• Aguilar, A. Visualização de Dados, Informação e Conhecimento. Ed. UFSC, 2017.
• Ward, M. O.; Grinstein, G.; Kelm, D. Interactive Data Visualization. A.K. Peters Ltd., 2010.
• Chamon, J. E. Gráficos em Dashboard para Microsoft Excel. Erica, 2015.

Disciplina: Aprendizado de Máquina

Carga Horária: 30 horas

Ciclo: Tecnológico

Docente: Profa. Dra. Glenda Michele Botelho

Objetivos: Apresentar os aspectos fundamentais, algoritmos e técnicas de aprendizado de máquinas, para desenvolver algoritmos capazes de aprender, ou melhorar seu desempenho, utilizando exemplos de situações previamente observadas de forma que os acadêmicos sejam capazes de entender e aplicar os principais modelos de aprendizado de máquinas e reconhecimento de padrões em aplicações práticas.

Ementa: Introdução à Inteligência Artificial; Introdução ao Aprendizado de Máquina; Aprendizado supervisionado; Aprendizado não supervisionado; Aprendizado por reforço; Algoritmos de aprendizado de máquina que seguem diferentes paradigmas, estratégias baseados em procura (algoritmos de indução de árvores de decisão e de conjuntos de regras), redes neurais artificiais (perceptron e multilayer perceptron) e modelos probabilísticos (Naive Bayes); Avaliação experimental de algoritmos de aprendizado; Aplicações de Aprendizado de Máquina; Tópicos avançados.

Bibliografia

• Faceli, K.; Lorena, A. C.; Gama, J.; Carvalho, A. C. P. L. F. Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina. 1. ed. Rio de Janeiro: LTC, 2011.
• Alpaydin, E. Introduction to Machine Learning. MIT Press, 2004.
• Mitchell, T. M. Machine Learning. McGraw-Hill, 1997.
• Flach, P. Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press, 2012.
• Provost, F.; Fawcett, T. Data Science for Business: What you need to know about data mining and data-analytic thinking by O'Reilly Media, 2013. 

Disciplina: Metodologia Científica

Carga Horária: 30 horas

Ciclo: Básico

Docente: Prof.a Dra. Gleice Lorena Gonçalves Tavares

Objetivo: Promover a aquisição do conhecimento de métodos do estudo científico para o desenvolvimento de trabalhos de alto rigor técnico e científico, preparando o acadêmico para o planejamento, execução e avaliação de projetos de ciência, tecnologia e inovação.

Ementa: Introdução ao método científico. Processo de pesquisa. Revisão bibliográfica. Metodologia de pesquisa. Desenho de experimentos. Análise e apresentação dos resultados (escrita de artigos, escrita de relatórios técnicos, apresentação de seminários etc). Tratamento de dados experimentais: medição, sumarização estatística, apresentação e interpretação de dados experimentais. Métricas para pesquisa experimental em ciência de dados.

Bibliografia:

• Wazlawick, R. S. Metodologia de pesquisa para ciência da computação. Ed. Elsevier, 2009.
• Santos, A. R. Metodologia científica: a construção do conhecimento. 6.a Ed. DP&A Editora, 2004.
• Davis, M.; Davis, K. J.; Dunagan, M. Scientific papers and presentations. 3rd ed. Elsevier, 2012.
• Carvalho, M. C. M. Construindo o saber: metodologia científica, fundamentos e técnicas. 24.a edição. Ed. Papirus, 2011.
• Zobel, J. Writing for Computer Science. Springer-Verlag, 1997

Disciplina: Trabalho de Conclusão de Curso

Carga Horária: 60 horas

Docente: Prof. Dr. Ary Henrique Morais de Oliveira

Objetivos: Propiciar a oportunidade de desenvolver um trabalho teórico e/ou prático para a construção de um projeto em ciência, tecnologia e inovação, desenvolvendo o raciocínio lógico para realização de uma pesquisa tecnológica, desenvolvendo uma fundamentação adequada a problemática e a estrutura metodológica planejada e elaborada segundo as normas da ABNT.

Ementa: Estrutura, organização e padrões formais para elaboração e confecção de projetos tecnológicos. Argumentação, coesão e coerência em relação à linguagem e ao conteúdo do trabalho de pesquisa. Desenvolvimento de projeto em ciência, tecnologia e inovação. Defesa de projetos. Avaliação: Tribunal de Contas do Estado do Tocantins e Universidade Federal do Tocantins.

Bibliografia:

• Wazlawick, R. Metodologia de pesquisa para ciência da computação. Elsevier, 2.a, 2014.
• Baptista, M. N.; Campos, D. C. Metodologias de Pesquisa em Ciências: Análise Quantitativa e Qualitativa. LTC, 2016.
• Bussab, W. O. e Morettin, P. A. Estatística Básica, 8ª Edição, Saraiva, São Paulo, 2013.
• Santos, Antônio Raimundo. Metodologia científica: a construção do conhecimento. 6.a Edição. Ed. DP&A Editora, 2004.