Introdução ao Aprendizado Estatístico
Elementos de Inferência, Clássica e Bayesiana; Métodos de Estimação: Pontual e Intervalar, Teste de Hipótese, Métodos Computacionais Intensivos e Aproximações.
Carga Horária: 24

Aprendizado Supervisionado I
Introdução à modelo linear geral; Regressão múltipla; Regressão na família exponencial; Dados binários e regressão logística; Regressão com penalização L1 e L2; Regressão por splines.
Carga Horária: 24

Previsões Bayesianas e Modelos Gráficos
Modelos Em Espaço de Estados, Distribuições a Priori e a Posteriori; Distribuição Preditiva; Seleção de Modelos; Modelos Gráficos Direcionados e Não Direcionados; Inferência e Algoritmos.
Carga Horária: 24

Aprendizado Não Supervisionado
K-MEDIAS, Modelos de Mistura, Redes Neurais Não-supervisionadas, Algoritmo EM; Análise de Componentes Principais.
Carga Horária: 24

Mineração de Dados
Introdução ao Aprendizado de Máquina, Visualização de Dados, Apresentação de Conceitos Básicos, Apresentação de Alguns Problemas Relevantes.
Carga Horária: 24

Métodos de Otimização
Exemplos de Problemas de Otimização, Programação Linear e Aplicações, Programação Quadrática a Aplicações, Modelos Mais Gerais, Otimização Diferenciável: Condições de Otimalidade, Métodos de Solução, Análise de Convergência Local e Global, Aplicações, Otimização Robusta, Otimização Estocástica, Controle Ótimo.
Carga Horária: 24

Introdução Ao Python
Estruturas de Dados no Python, Comandos Básicos, Pacotes e Bibliotecas Essenciais, Numpy, Matplotlib, Seaborn, Pandas, Statmodel, Scikit-learn.
Carga Horária: 24

Banco de Dados
Uso de banco de dados para data science; banco de dados relacionais; formato tabular e colunar; introdução à SQL; estatísticas descritivas em SQL; agregação, janelas e cubos em SQL; preparação dos dados usando SQL; importação e exportação de dados; interface com python.
Referências: 1. Upom Malik, Matt Goldwasser & Benjamin Johnston – SQL for Data Analytics. Ed. Packt Publishing.
Carga Horária: 24

Aprendizado Supervisionado II
Análise de Discriminantes Linear e Quadrático, Bayes Ingênuo, Perceptron de Uma Camada, Métricas para Avaliação de Resultados (Matriz de Confusão), Curva ROC AUC, Estatística F, Precisão Vs Acurácia, Máquinas de Vetor Suporte.
Carga Horária: 24

Redes Neurais e Deep Learning
Redes Neurais, Exemplos de Funções de Ativação e Funções Custo, Algoritmo Backpropagation, Redes Neurais Usando Pytorch e Tensorflow, Redes Profundas, Redes Convolucionais e Recorrentes, Exemplos.
Carga Horária: 24

Introdução a Modelagem de Incertezas
Conceitos de Probabilidade, Probabilidade Condicional, Modelos para Variáveis Aleatórias Discretas e Continuas, Distribuições Condicionais, Teorema de Bayes, Momentos.
Carga Horária: 24

Disciplina Extra – Tópicos Aplicados
Assuntos específicos sobre cada tópico.
Carga Horária: 24

Monografia
Trabalho de fim de curso.
Carga Horária: 72