-
Aula demo
Dados estruturados e não estruturados. Dados abertos. Coleta,
tratamento, armazenamento, integração e recuperação de dados.
Processos de ETL.
-
Aula 01 (Prof. Diego Carvalho e Raphael
Lacerda)
Formatos e tecnologias: XML, JSON, CSV. Representação de dados
numéricos, textuais e estruturados; aritmética computacional.
Representação de dados espaciais para georeferenciamento e
geosensoriamento.
-
Aula 02 (Prof. Diego Carvalho e Emannuelle Gouveia)
[Esse tema não veio explícito no edital e não deve ser cobrado
diretamente pela banca, mas a sua leitura pode ajudar no
entendimento da aula seguin
Conceitos Básicos de Banco de Dados
-
Aula 03 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Bancos de dados relacionais: teoria e implementação.
-
Aula 04 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Uso do SQL como DDL, DML, DCL. Processamento de
transações.
-
Aula 05 (Prof. Diego Carvalho e Emannuelle Gouveia)
Esse tema não veio explícito no edital e não deve ser cobrado
diretamente pela banca, mas a sua leitura pode ajudar no
entendimento da aula seguint
BI e Data Warehouse
-
Aula 06 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Exploração de dados: conceituação e características. Noções do
modelo CRISP-DM. Técnicas para préprocessamento de dados. Técnicas
e tarefas de mineração de dados. Classificação. Regras de
associação. Análise de agrupamentos (clusterização). Detecção de
anomalias. Modelagem preditiva. (Parte 1)
-
Aula 07 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Exploração de dados: conceituação e características. Noções do
modelo CRISP-DM. Técnicas para préprocessamento de dados. Técnicas
e tarefas de mineração de dados. Classificação. Regras de
associação. Análise de agrupamentos (clusterização). Detecção de
anomalias. Modelagem preditiva. (Parte 2)
-
Aula 08 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Conceitos de PLN: semântica vetorial, redução de
dimensionalidade, modelagem de tópicos latentes, classificação de
textos, análise de sentimentos, representações com n-gramas.
-
Aula 09 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Conceitos de ML: fontes de erro em modelos preditivos,
validação e avaliação de modelos preditivos, underfitting,
overfitting e técnicas de regularização, otimização de
hiperparâmetros, separabilidade de dados, redução da
dimensionalidade. Modelos lineares, árvores de decisão, redes
neurais feed-forward, classificador NaiveBayes.
-
Aula 10 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Pareamento de dados (recordlinkage). Processo e etapas.
Classificação. Qualidade de dados pareados. Análise de dados
pareados.
-
Aula 11 (Prof. Diego Carvalho e Emannuelle
Gouveia)
Linguagem Python: sintaxe, variáveis, tipos de dados e
estruturas de controle de fluxo. Estruturas de dados, funções e
arquivos.
-
Aula 12 (Prof. Diego Carvalho e Raphael
Lacerda)
Bibliotecas: NLTK, Tensor Flow, Pandas, Numpy, Arrow, Sklearn,
Scipy.
-
Aula 13 (Prof. Diego Carvalho e Renato da
Costa)
Noções da Linguagem R. Sintaxe, tipos de dados, operadores,
comandos de repetição, estruturas de dados, gráficos, Data
frames.
-
Aula 14 (Prof. Diego Carvalho e André
Castro
Segurança da informação: Confidencialidade, integridade,
disponibilidade, autenticidade e não repúdio. Políticas de
segurança. Políticas de classificação da informação. Sistemas de
gestão de segurança da informação. Tratamento de incidentes de
segurança da informação.
-
Aula 15 (Prof. Diego Carvalho e Fernando
Pedrosa)
Lei Geral de Proteção de Dados Pessoais (LGPD).