2025.2-Mestrado Profissional em Computação Aplicada

Conceitos fundamentais de bancos de dados. Modelos de dados e linguagens. Projeto de bancos de dados. Componentes de um sistema de banco de dados: processamento de consultas, recuperação de falhas e controle de concorrência.

OBJETIVOS DA DISCIPLINA (GPTI) 

Ø Incrementar habilidade de identificar problemas, caracterizar oportunidades, formular modelos e obter soluções, enfatizando aspectos de (i) sustentabilidade; (ii) inovação; (iii) proteção à privacidade; e (iv) decisões ajustadas a riscos, considerando a hierarquia PMBOK de portfólios, programas, projetos-extensões e operações.

Ø Desenvolver trabalho em equipe, à luz da abordagem de sistemas, envolvendo a elaboração de guia de gestão de projetos sob medida, para Gêmeos Digitais ("Digital Twins) de sistemas e produtos orientados à sustentabilidade, inovação, privacidade, decisões ajustadas a riscos no âmbito de (i) Recuperação (R2-Reúso e R3-Reciclagem) de resíduos sólidos via cooperativas de catadores; (ii) Desenvolvimento de aplicativo “Digital Mobilizer” para engajamento da população em Sustentabilidade; (iii) Descarte em aterros sanitários; e (iv) Engenharia de Produtos e respectivos processos de produção orientados à P-Prevenção e R1-Redução de Resíduos Sólidos.  

Ø Consolidar entendimento de tópicos relevantes em projetos de sistemas: Aprendizagem Ativa, foco em Aprendizagem com Base em Projetos (“Project Based Learning”-PBL) e Aula Invertida (“Flipped Classroom”); Trabalho em Equipe; Gestão de Projetos; Bibliometria.

I. Rudimentos de cálculo de probabilidades
– Axiomas e teoremas básicos;
– Eventos independentes e condicionados; e
– Variáveis aleatórias unidimensionais e principais distribuições de probabili-
dade
∗ Variáveis aleatórias discretas: Uniforme, Bernoulli, Binomial, Poisson.
∗ Variáveis aleatórias contı́nuas: Uniforme, Exponencial, Normal.
∗ Simulação Monte Carlo.
II. Revisão de Estatı́stica Descritiva
– Medidas de tendência central e de dispersão.
– Intervalos de Confiança.

– Testes de Hipóteses.
III. Métodos de Regressões Clássicos
– Regressão Linear.
– Estimação por Mı́nimos Quadrados Ordinários.
– Estimação por Máximo Verossimilhança.
IV. Modelos de Classificação
– Regressão Logit.
– Introdução à Inteligência Artificial (IA) e ao Machine Learning (ML).
– Modelos Supervisionados.
– Explicabilidade em IA e ML.
V. Aulas de Exercı́cios e Aplicações Computacionais.

Essa disciplina visa apresentar a conceituação de mineração de dados e de textos e o modelo de referência CRISP-DM, destacando técnicas de pré-processamento de dados, tarefas de mineração, algoritmos de mineração, e métodos de avaliação dos resultados obtidos. Também visa motivar a utilização desses conceitos em aplicações de descoberta de conhecimento.

1. Fornecer uma visão formal e sistemática dos conceitos básicos de modelos de computação, linguagens formais e algoritmos.2. Introduzir o conceito de estrutura de dados.3. Apresentar as principais estruturas de dados lineares e não lineares e discutir suas aplicações.4. Introduzir os principais algoritmos de ordenação e manipulação de estruturas de dados.