Tópicos Especiais em Banco de Dados

Ciência de Dados - Conteúdo Programático

Ementa

1.Introdução (Motivação)

2. O que é Ciência de Dados (Data Science) ?

-Conceitos Básicos

3. Data Science e Big Data

-Introdução

-O que é Big Data

-Modelos de Computação Distribuída

4. Curso Rápido de Python para Análise de Dados

5. O Processo de Aprendizagem

Tipos de Aprendizagem

Modelo

Correlação

Espaço de Hipóteses

Função de Custo - J(x)

Erros

Otimização – O Gradiente Descendente

6. Machine Learning (Aprendizado de Máquina)

(Aprendizado Supervisionado e Aprendizado não-Supervisionado)

Regressão Linear

Regressão Logística

KNN

Naive Bayes

Árvores de Decisão / Métodos Ensemble / XGBoost

SVM

Clusterização

PCA

7. Redes Neurais

7.1. Componentes Básicos das Redes Neurais Artificiais - RNAs
7.2. O Sistema Nervoso
7.3. O Neurônio
7.4. Sinapses
7.5. Neurônio x Redes Neurais Artificiais
7.6. Arquitetura
7.7. O aprendizado
7.8. Redes Perceptron
7.9. Redes ADALINE – Regra Delta
7.10. Perceptron Multicamadas - MLP
7.11. Algoritmo BackPropagation – Ajuste de pesos (parâmetros)
7.12. Otimizadores

8. Deep Learning

8.1 Introdução e conceitos básicos

8.2 A Arquitetura das Redes Neurais Profundas (Deep Learning)

8.3 Os principais tipos de Redes Neurais Profundas

8.4 Programação paralela em GPU

8.5 Frameworks de Deep Learning

TensorFlow e Keras (Google), PyTorch (Facebook)

9. Processamento de Linguagem Natural - PLN

Modelos Generativos - Modelos LLM - Large Language Models (Grandes Modelos de Linguagem). Ex: GPT-4, BERT, RoBERTa

Análise de Sentimentos

Classificação Zero-Shot

Geração de Texto com Modelo LLM