Educon - Centro de Educação Continuada - PUCRS

Especialização,Extensão,MBA,Idiomas,Educação,Pós-Graduação,Porto Alegre

Cursos

Graduação

Pós-Graduação

MBA

Porto Alegre

CURSO DE Especialização

Ciência de Dados

1ª Edição

Área do Curso
Tecnologias
Modalidade
Presencial
Turno
Manhã, Noite

Apresentação

Programe-se

Início
14 de Março de 2019

Inscrições até 28/02/2019

Período
14/03/2019 a 15/12/2019
360 horas-aula
Dias e Horários
Semanalmente,
quintas e sextas-feiras, das 19h30min às 22h45min e sábados, das 9h às 12h30min.

Sobre o Curso

A Ciência de Dados é uma área interdisciplinar, se apropriando de conceitos da Ciência da Computação, da Matemática e da Estatística. Tópicos abordados em Ciência de Dados incluem métodos e algoritmos envolvidos na coleta, curadoria, gerenciamento, análise e visualização de dados, permitindo que informação previamente desconhecida e potencialmente útil seja extraída de diversos domínios de aplicação.

A PUCRS promove o Curso de Especialização em Ciência de Dados a partir da grande experiência em projetos de pesquisa e desenvolvimento com empresas nacionais e internacionais, bem como do domínio da temática no âmbito de pesquisa de impacto, sendo esta básica ou aplicada. Seu projeto foi concebido para permitir o desenvolvimento das competências e habilidades hoje demandadas por praticamente todas as áreas de investigação intelectual.

Objetivos

  • Prover conhecimentos, competências e habilidades para conceber, implantar e executar processos de análise de dados estruturados ou não-estruturados;
  • Prover conhecimentos, competências e habilidades para realizar análises sobre grandes volumes de dados, armazenados de diferentes formas;
  • Prover conhecimentos, competências e habilidades para especificar, implantar, executar e entregar análises de dados com bibliotecas de algoritmos de diferentes linguagens de programação.

Público-Alvo

Egressos de cursos superiores de Computação, Matemática, Estatística, Engenharias e afins, que desejem buscar especialização em Ciência de Dados.

Diferenciais do Curso

  • Aborda conceitos que estão no estado-da-arte e no estado-da-prática com relação à análise de dados complexos;
  • Balanço entre teoria e prática em laboratório;
  • Foco em problemas do mundo real.

Ao Final do Curso o Aluno Estará Capacitado a

  • Ser capaz de executar, individualmente ou em equipe, processos de análise de dados estruturados e não-estruturados, sendo estes em qualquer quantidade, para identificação de tendências e previsão de comportamentos futuros.
  • Ser capaz de executar a análise de dados sobre repositórios como data warehouses ou data centers para resolução de uma variedade de problemas do mundo real, otimizando o desempenho dos processos e agregando inteligência à aplicação.
  • Ser capaz de especificar, implantar, executar e entregar análises de dados com bibliotecas de algoritmos de diferentes linguagens empregadas em problemas de ciência de dados.

Unidade Promotora

Escola Politécnica

Inscrições

Inscrição

Pode ser realizada pela internet ou presencial. O candidato deverá encaminhar o currículo. As vagas são limitadas e a PUCRS se reserva o direito de modificar e/ou prorrogar o período de inscrições.

Pré-Requisitos

Graduação em Computação, Estatística, Matemática, Engenharias e cursos afins e conhecimentos básicos de programação de computadores.

Processo de Seleção dos Candidatos

  • Análise de Currículo;
  • Entrevista.

Documentos Necessários para Matrícula

Para fins de matrícula e confecção dos certificados de conclusão de curso é necessário que o aluno apresente, obrigatoriamente, no momento da matrícula UM dos seguintes documentos:

  • RG Civil (para brasileiros);
  • Carteira de Trabalho;
  • Passaporte;
  • Certidão de Nascimento;
  • Carteira de Conselho (deve constar no documento nome de pai e mãe e a naturalidade);
  • CNH (só será aceita como documento de identificação do aluno se for apresentada juntamente com documento complementar que informe a naturalidade do aluno).

Além de um dos documentos listados acima o aluno deverá, obrigatoriamente, enviar a cópia do diploma de graduação.

Período de Matrícula

Início: 07/11/2018
Término: 28/02/2019

Disciplinas

Introdução à Ciência de Dados

Introdução à linguagem R e ao ambiente RStudio. Caracterização dos principais objetos da linguagem: fatores, vetores, matrizes, arrays, data frames e listas. Manipulação de dados com dplyr e tidyr. Criação e manipulação de funções. Produção de gráficos. Aplicação das principais distribuições de probabilidade.

R para Ciência de Dados

Aplicação e interpretação de métodos de inferência estatística. Introdução aos Modelos Lineares e Modelos Lineares Generalizados. Tópicos em Cadeias de Markov e simulação. Criação de documentos.

Python para Ciência de Dados

Numpy: introdução; vetores e suas operações; matrizes e suas operações; medidas populacionais; amostragem. Pandas: introdução; dataframes e suas operações; series e suas operações; medidas populacionais; entrada e saída. Matplotlib: introdução; gráficos de dispersão; gráficos de linhas; projeções populacionais; outros tipos de visualização. Scikit-Learn: introdução; características básicas de modelos de aprendizado (classificação, regressão e agrupamento); medidas de avaliação. Estender Python com C ou C++.

Gerência de Infraestrutura para Big Data

Arquitetura para Big Data Analytics. Infraestrutura de armazenamento de dados para Big Data. Infraestrutura de computação para Big Data. Infraestrutura de rede para Big Data. Virtualização e computação em nuvem. Plataformas de Big Data na nuvem. HDFS. Hadoop e MapReduce. Spark.

Bancos de Dados Relacionais e Não-Relacionais

Estudo sobre dados espaço-temporais, multimídia, hipermídia, de fluxo contínuo e de mídias digitais. Visão geral sobre a gestão de bancos de dados sem esquemas prévios. Visão geral sobre novas aplicações em dados: Big data, Dados não estruturados, de mídias sociais, Mineração de dados de mídias sociais.

Visualização de Dados

Introdução à área de visualização de dados e suas aplicações. Visualização de informações, visualização científica e análise visual. Percepção, tipos de dados, representações visuais e princípios de interação. Estratégias para comunicação de resultados através de visualização.

Descoberta de Conhecimento em Bancos de Dados

Visão geral sobre sistemas de suporte à decisão e inteligência de negócio. Entendimento sobre o processo de KDD e, em especial sobre preparação de dados. Estudo sobre as principais tarefas de mineração de dados.

Inteligência de Negócio

Visão geral sobre sistemas de suporte à decisão e inteligência de negócio. Estudo sobre armazéns de dados e sobre modelagem OLAP. Compreensão dos principais conceitos envolvidos e entendimento sobre os principais modelos OLAP.

Aprendizado de Máquina Não-Supervisionado

Introdução ao aprendizado não-supervisionado. Paradigmas de agrupamento de dados: particional com e sem sobreposição; hierárquico; baseado em densidade. Redução de dimensionalidade: a maldição da dimensionalidade; métodos de redução de dimensionalidade (PCA, LDA, autoencoders, T-SNE). Modelos geradores: Latent Dirichlet Analysis; GANs; Variational Autoencoders; PixelRCNN. Avaliação de aprendizado não-supervisionado. Aplicações: reconhecimento de fala; processamento de imagens; processamento da linguagem natural.

Aprendizado de Máquina Supervisionado

Introdução ao aprendizado supervisionado. Paradigmas de aprendizado: aprendizado baseado em distância (K-NN); aprendizado baseado em procura (árvores de decisão para classificação e regressão); aprendizado probabilístico (Naïve Bayes e Redes Bayesianas); aprendizado baseado em otimização (Regressão Linear e Logística, Redes Neurais Artificiais, Máquinas de Vetores de Suporte). Avaliação de modelos preditivos. Aplicações de aprendizado supervisionado: classificação de imagens, veículos autônomos, detecção de fraudes, etc.

Deep Learning I

Introdução a Deep Learning. Redes Neurais Convolucionais: arquiteturas; camadas convolucionais; camadas totalmente conectadas; camadas de pooling; conexões residuais; regularização via weight decay; regularização via dropout; funções de ativação; funções de custo. Classificação de Imagens. Localização e Detecção de Objetos em Imagens: Faster Region Based Convolutional Neural Network (Faster R-CNN); You Only Look Once (YOLO); Single Shot Detection (SSD). Segmentação Semântica de Imagens: Fully Convolutional Networks (FCN); SegNet.

Deep Learning II

Representação de dados sequenciais não-estruturados via deep learning. Redes Neurais Convolucionais para processamento de texto e vídeos. Redes Neurais Recorrentes: Long Short-Term Memory (LSTMs) e Gated Recurrent Units (GRUs); Aplicações avançadas de deep learning: classificação de vídeos; análise de sentimento em textos; geração automática de descrição de imagens e vídeos; tradução automática; alinhamento multi-modal.

Orientação de Trabalho de Conclusão de Curso - TCC

O TCC poderá ser concluído no prazo máximo de até 6 meses após a realização das disciplinas. Os horários de orientação serão definidos por cada Unidade Acadêmica.

Professores

  • Dr. Christian Vahl Quevedo
  • Dr. Duncan Dubugras Alcoba Ruiz
  • Me. Filipe Jaeger Zabala
  • Me. Gabriel da Silva Simões
  • Me. Henry Emanuel Leal Cagnini
  • Dra. Isabel Harb Manssour
  • Me. Jônatas Wehrmann
  • Dr. Michael da Costa Móra
  • Dra. Renata De Paris
  • Dr. Rodrigo Coelho Barros
  • Me. Thomas da Silva Paula
  • Dr. Tiago Coelho Ferreto

Coordenação

  • Prof. Dr. Michael da Costa Móra
  • michael.mora@pucrs.br
    Possui graduação em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (1991), mestrado em Computação pela Universidade Federal do Rio Grande do Sul (1993) e doutorado em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (2000). Atualmente é professor adjunto do Instituto de Informática. Tem experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, atuando principalmente nos seguintes temas: agentes inteligentes, arquiteturas bdi, educação à distância, aprendizagem colaborativa e inteligência artificial.

Investimento

Informações em breve, aguarde!

Matrícula

O pagamento do valor de matrícula deverá ser realizado na data da matrícula. O valor diferenciado, para as demais parcelas, é concedido a partir da primeira mensalidade do curso. As mensalidades iniciarão após o início do curso, com vencimento no dia 15 de cada mês, via boleto bancário.

Orientações Financeiras

Na modalidade de pagamento à vista é concedido ao estudante a redução de 10% sobre o valor de todas as parcelas. E, em havendo o cancelamento ou trancamento do curso, o cálculo dos valores de devolução referente as parcelas vencidas, será desconsiderada a redução concedida desde a matrícula paga.

Financie seu Curso com o Crédito Educativo

O Crédito Educativo possibilita o financiamento de 50% das parcelas do curso, com prazo de restituição equivalente ao número de parcelas utilizadas.



Você também pode estar interessado em