Variáveis, gráficos, média, mediana, moda e outras medidas de dispersão. Desvio padrão e medidas de dispersão, momentos, assimetria e curtose. Histograma. probabilidade, distribuição, amostragem, estimação, teoria da decisão estatística, teste de hipótese e significância, amostras, ajuste de curvas, teoria da correlação e análise das séries temporais.

Introdução à simulação. Propriedades e classificação dos modelos de simulação. Geração de números aleatórios. Noções básicas em teoria dos números. Geração e teste. Distribuições clássicas contínuas e discretas. Simulação de sistemas discretos e de sistemas contínuos. Verificação e validação de modelos. Técnicas estatísticas para análise de dados e de resultados de modelos de simulação. Simulação de sistemas simples de filas. Simulação de sistemas de computação.

Conceitos básicos. Os Ecossistemas de Informação. O Ciclo de Vida do DW: Planejamento e Administração, Levantamento de Requisitos, Modelagem Dimensional, Projeto Físico, o Back-Room e o Froon-Room, Metadados, Arquiteturas, Implementação, Segurança e Internet. Implantação, Suporte e Treinamento.

Aplicação da linguagem Python. Arquitetura da Linguagem de programação. Lógica de programação. Comandos de execução, análise e decisão. Modelos e Algoritmos.

Aplicação da linguagem Python. Arquitetura da Linguagem de programação. Lógica de programação. Comandos de execução, análise e decisão. Modelos e Algoritmos.

Mineração de dados objetivos: Apresentar ao aluno as várias técnicas de mineração estatística de dados.
Cursos de Bacharelado em Tecnologia da Informação, Ciência de Dados e Engenharia de Computação 51 Ementa: Introdução à mineração de dados. Análise estatística de dados. O processo de descoberta do conhecimento. Segmentação de sumarização de dados. Métodos de classificação supervisionada. Medidas de capacidade preditiva. Análise de associação. Análise de agrupamentos. Métodos de redução de dimensionalidade. Técnicas de seleção de atributos. Combinação de classificadores. Mineração com Restrições (Web Mining)

Desenvolver habilidades de apresentação de dados, relacionadas à interfaces e modelos de agregação e consolidação.
Ementa: Abstração de dados; Visualização de dados tabulares (gráficos de pontos, de barras, de dispersão, mapas de calor entre outros); Visualização de dados espaciais (campos escalares, linhas de contorno, visualização volumétrica, campos vetoriais) e Redução de itens e atributos (filtragem e agregação).

Conceitos básicos sobre aprendizado de máquina. Aprendizado supervisionado: regressão e classificação; regressão linear; regressão logística; máquinas de vetores de suporte; redes neurais; redes profundas, convolucionais e recursivas. Aprendizado não-supervisionado: clustering; análise de componentes principais. Sistemas de recomendação. Aplicações em processamento de sinais.

Ética em Tecnologias da Informação e Comunicação. Direito autoral. Lei de proteção a dados e Informações.

Introdução ao processamento de linguagem natural. Processamento sintático. Técnicas de análise (parsing). Gramáticas. Interpretação semântica. Processamento de discurso. Aplicações

Interface Humano-Computador Objetivos: Desenvolvimento de interfaces de usuário com ênfase em WEB com noções de acessibilidade.
Ementa: Histórico e evolução de IHC; Métodos e técnicas de design; Experiência de usuário, arquitetura da informação e acessibilidade e sua realização com recursos de HTML/CSS; páginas responsivas; manipulação do DOM com JavaScript ou TypeScript; outras APIs JavaScript oferecidas pelos principais navegadores; REST e AJAX; aplicações de página única (como React.js); ferramentas para testes automatizados

Algoritmos: caracterização, notação, estruturas básicas. Conceitos de linguagens algorítmicas: expressões; comandos sequenciais, seletivos e repetitivos; entrada/saída; variáveis; constantes; listas, vetores (listas em Python), matrizes, strings; funções; escopo de variáveis; Desenvolvimento, depuração, noções de testes automatizados e documentação de programas.