-
Aula demo
BANCO DE DADOS Conceitos e fundamentos. Tipos de dados. Modelo
de dados conceitual, lógico e físico.
-
Aula 01 (Prof. Thiago Cavalcanti)
Modelo e Diagrama Entidade Relacionamento. Modelo
Entidade-Relacionamento Estendido (EER). Notação Crow’sfoot (Pé de
Galinha). Administração de dados e metadados: gestão, organização,
coleta e manutenção.
-
Aula 02 (Prof. Thiago Cavalcanti)
Modelo relacional, em rede, hierárquico, distribuído.
Arquitetura de sistemas de banco de dados. Modelagem de banco de
dados relacional. Normalização. Álgebra relacional. Projeto de
banco de dados relacional: dependências funcionais, normalização,
projeto lógico de banco de dados e projeto físico de banco de
dados.
-
Aula 03 (Prof. Thiago Cavalcanti)
Linguagem SQL
-
Aula 04 (Prof. Thiago Cavalcanti)
Processamento de transações, controle de concorrência e
recuperação. Instalação, operação, tunning, manutenção,
gerenciamento, backup e restore. Criação e manutenção de views,
funções, stored procedures, triggers, segurança. Conexões.
Processamento e otimização de consultas. (Parte 1)
-
Aula 05 (Prof. Thiago Cavalcanti)
Processamento de transações, controle de concorrência e
recuperação. Instalação, operação, tunning, manutenção,
gerenciamento, backup e restore. Criação e manutenção de views,
funções, stored procedures, triggers, segurança. Conexões.
Processamento e otimização de consultas. (Parte 2)
-
Aula 06 (Prof. Thiago Cavalcanti)
orientado a objetos.
-
Aula 07 (Prof. Thiago Cavalcanti)
Banco de dados Distribuídos.
-
Aula 08 (Prof. Thiago Cavalcanti)
Segurança em bancos de dados.
-
Aula 09 (Prof. Thiago Cavalcanti)
PL/SQL
-
Aula 10 (Prof. Thiago Cavalcanti)
Conhecimento de SGBD. Oracle
-
Aula 11 (Prof. Thiago Cavalcanti)
PostgreSQL
-
Aula 12 (Prof. Thiago Cavalcanti)
SQL Server
-
Aula 13 (Prof. Thiago Cavalcanti)
MySQL
-
Aula 14 (Prof. Thiago Cavalcanti)
H2 Database;
-
Aula 15 (Prof. Thiago Cavalcanti)
Business Intelligence. Data Warehouse, Data Mart, ODS, Data
Lake, ETL e OLAP. Modelagem Dimensional de Dados: básica e
avançada. Criação, implantação e manutenção de rotinas de ETL.
(Parte 1)
-
Aula 16 (Prof. Thiago Cavalcanti)
Business Intelligence. Data Warehouse, Data Mart, ODS, Data
Lake, ETL e OLAP. Modelagem Dimensional de Dados: básica e
avançada. Criação, implantação e manutenção de rotinas de ETL.
(Parte 2)
-
Aula 17 (Prof. Thiago Cavalcanti)
Data Mining. Metodologia CRISP-DM.
-
Aula 18 (Prof. Thiago Cavalcanti)
Fundamentos de Big Data. Bancos de dados NoSQL. Conceitos e
propriedades das transações (ACID e BASE).
-
Aula 19 (Prof. Thiago Cavalcanti)
Conhecimento da ferramenta Pentaho.
-
Aula 20 (Prof. Thiago Cavalcanti)
Conhecimento das plataformas MongoDB.
-
Aula 21 (Prof. Thiago Cavalcanti)
Conhecimento das ferramentas Power BI.
-
Aula 22 (Prof. Thiago Cavalcanti)
Governança de Dados. DAMA/DMBOK 2ª edição.
-
Aula 23 (Prof. Thiago Cavalcanti)
APRENDIZADO DE MÁQUINA Técnicas de classificação: NaiveBayes,
regressão logística e redes neurais artificiais. Redes Neurais para
classificação. Árvores de decisão: algoritmos ID3, C4.5 e florestas
aleatórias (randomforest). Máquinas de vetores de suporte (SVM). K
vizinhos mais próximos (KNN – K-nearestneighbors). Avaliação de
modelos de classificação: treinamento, teste, validação; validação
cruzada; métricas de avaliação; matriz de confusão, acurácia,
precisão, revocação, F1-score e curva ROC. Técnicas de regressão:
regressão linear e séries temporais. Redes neurais para regressão.
Árvores de decisão para regressão. Máquinas de vetores de suporte
para regressão. Intervalos de confiança em regressão. Avaliação de
modelos de regressão: MAE, MSE, RMSE e coeficiente de determinação
(R2). Técnicas de agrupamento: por partição, por densidade e
hierárquico. Técnicas de redução de dimensionalidade: seleção de
características e análise de componentes principais (PCA). Técnicas
de associação:
-
Aula 24 (Prof. Thiago Cavalcanti)
APRENDIZADO DE MÁQUINA Técnicas de classificação: NaiveBayes,
regressão logística e redes neurais artificiais. Redes Neurais para
classificação. Árvores de decisão: algoritmos ID3, C4.5 e florestas
aleatórias (randomforest). Máquinas de vetores de suporte (SVM). K
vizinhos mais próximos (KNN – K-nearestneighbors). Avaliação de
modelos de classificação: treinamento, teste, validação; validação
cruzada; métricas de avaliação; matriz de confusão, acurácia,
precisão, revocação, F1-score e curva ROC. Técnicas de regressão:
regressão linear e séries temporais. Redes neurais para regressão.
Árvores de decisão para regressão. Máquinas de vetores de suporte
para regressão. Intervalos de confiança em regressão. Avaliação de
modelos de regressão: MAE, MSE, RMSE e coeficiente de determinação
(R2). Técnicas de agrupamento: por partição, por densidade e
hierárquico. Técnicas de redução de dimensionalidade: seleção de
características e análise de componentes principais (PCA). Técnicas
de associação:
-
Aula 25 (Prof. Thiago Cavalcanti)
Tratamento de dados: normalização numérica, discretização,
tratamento de dados ausentes, tratamento de outliers e agregações.
Diagrama boxplot.
-
Aula 26 (Prof. Thiago Cavalcanti)
PROCESSAMENTO DE LINGUAGEM NATURAL Conceito de processamento
de linguagem natural (PLN). Conceitos básicos da morfologia.
Processamento morfológico em PLN. Dataset e corpus: formação,
codificação, características, anotação. Normalização textual (stop
words, estemização, lematização e análise de frequência de termos).
Reconhecimento de entidades nomeadas e rotulação. Extração de
relações. Modelos de representação de texto: N-gramas, modelos
vetoriais de palavras (CBOW, Skip-Gram e GloVe), modelos vetoriais
de documentos (booleano, TF e TF-IDF, média de vetores de palavras
e Paragraph Vector). Métricas de similaridade textual (similaridade
do cosseno, distância euclidiana, similaridade de Jaccard,
distância de Manhattan e coeficiente de Dice). Aplicações de PLN:
sumarização automática de texto (abordagens extrativa e
abstrativa), modelagem de tópicos em texto (algoritmos LSI, LDA e
NMF), classificação de texto, agrupamento de texto, tradução
automática de texto, análise de sentimentos e
-
Aula 27 (Prof. Thiago Cavalcanti)
Aprendizado profundo (Deep Learning): redes neurais
convolucionais, redes neurais recorrentes. Redes de Hopfield. Redes
Adaline. Long short-term memory (LSTM). Redes perceptron
multicamadas recorrentes. Máquinas de Boltzmann. Deepbelief
networks. Reconhecimento facial. Classificação de imagens. Detecção
de objetos. Deeplearning para visão computacional.
Pré-processamento de dados. Visão computacional. Conceitos de
representação de imagens. Métodos de filtragem de imagens.
Conceitos gerais de reconhecimento de padrões. Detetores de bordas.
Técnicas de convolução. Métodos de segmentação. Transformações de
Fourier e Wavelets. Transformações de Hough, Snakes e outros
métodos de reconhecimento de objetos baseados em modelos.
Operadores morfológicos.
-
Aula Extra
Transformada de Fourier