2025.2-Mestrado Profissional em Computação Aplicada

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.