Disciplina Ciência de Dados Avançada

A Unidade Curricular "Ciência de Dados Avançada" é uma peça-chave do curso técnico profissional em Aplicações Informáticas para Ciências de Dados. Esta cadeira aprofunda as competências essenciais na manipulação, análise e interpretação de grandes conjuntos de dados.   No campo de ação, a UC foca-se em técnicas avançadas de aprendizagem automática, processamento de linguagem natural e análise preditiva. A área de atuação inclui a mineração de dados, engenharia de características e otimização de modelos. O domínio de intervenção aborda ferramentas e frameworks atualizados que são pilares no mundo da análise de dados. Dada a crescente relevância dos dados em decisões estratégicas em diversas indústrias, esta UC é fundamental no ciclo de estudos, preparando os alunos para serem especialistas capazes de extrair insights valiosos de dados brutos e transformá-los em soluções impactantes.

Não aplicável

Algoritmos Avançados de Aprendizagem Automática: Técnicas de classificação, regressão e clustering de alto nível. Processamento de Linguagem Natural (PLN): Tokenização, análise semântica, e modelos de representação textual. Análise Preditiva: Criação de modelos para prever tendências e comportamentos futuros. Engenharia de Características: Técnicas para extração e transformação de características que maximizem a performance do modelo. Otimização de Modelos: Ajuste de hiperparâmetros, validação cruzada e seleção de modelos. Visualização de Dados Avançada: Uso de ferramentas e bibliotecas para representar dados complexos de forma intuitiva. Frameworks Modernos: Introdução a ferramentas como TensorFlow, PyTorch e outros. Projeto Integrador: Desenvolvimento de um projeto de ciência de dados do início ao fim, utilizando conjuntos de dados reais.

Laboratórios Práticos em Ambientes Cloud: Acesso a plataformas cloud para experimentação real e escalável de algoritmos e datasets. Peer Review Interativo: Análise e feedback colaborativo de projetos entre os próprios estudantes, promovendo aprendizado mútuo. Jornadas de Imersão: Sessões intensivas onde problemas reais de empresas são apresentados aos alunos para solução em tempo real. Aprendizagem Baseada em Projetos: Desenvolvimento de projetos que abordam todo o ciclo de vida da ciência de dados, desde a aquisição até a apresentação de insights. Seminários com Especialistas: Conferências e workshops com profissionais líderes na área, proporcionando visão prática e atual do mercado.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge, MA: MIT Press. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R. New York, NY: Springer. Manning, C. D., & Schütze, H. (1999). Foundations of statistical natural language processing. Cambridge, MA: MIT Press.