NPG2065 Prática e Laboratório II

Prévia do material em texto

PRÁTICA E LABORATÓRIO II - NPG2065
PRÁTICA E LABORATÓRIO II (04/02/2019)
Contextualização
Hoje as empresas que desejam obter vantagem competitiva através de tomada de decisões 
estratégicas baseadas em tecnologia, buscam a Ciência de Dados para Negócio. Por meio 
da Ciência de Dados são realizadas análises de dados para aprimoramento do processo 
decisório da organização através de recursos de tecnologia como Big Data e Cloud 
Computing.
Neste viés, surge o Phyton, uma poderosa linguagem de programação sob o paradigma 
orientado a objetos que apresenta estruturas de dados de alto nível eficientes, com uma 
sintaxe elegante e tipagem dinâmica, além de sua natureza interpretada, que o tornam 
ideal para scripting e para o desenvolvimento rápido de aplicações em diversas áreas e na 
maioria das plataformas.
Ementa
Orientação a Objetos, Árvores de Decisões, Redes Neurais, Processamento de 
Linguagem Natural, Análise de Redes, Sistemas de Recomendação.
Objetivos Gerais
 Compreender o processo de implantação de soluções para internet sob o 
paradigma orientado a objetos.
 Implementar soluções a partir de árvores de decisões e redes neurais para tomada 
de decisão.
 Entender o processo de implantação de ciência de dados para negócios a partir das 
tecnologias de Big Data e Cloud Computing.
 Compreender e implementar processos de análise de dados por meio de análise de 
redes e sistemas de recomendação.
Objetivos Específicos
Conteúdos
1. Módulos
2. Programação orientada a objetos
2.1. Classe
2.1.1. Atributos
2.1.2. Métodos
2.1.3. Métodos estáticos
2.1.4. Encapsulamento
2.1.5. Contrutores
2.2. Objeto
2.3. Classes Aninhadas
2.4. Herança
2.5. Polimorfismo
2.6. Tratamento de exceções
2.7. Estudo de caso
2.8. Desenvolvendo programas sob o paradigma orientado a objetos
3. Árvores de decisão
3.1. Conceitos
3.2. Árvore de decisão em Python
4. Redes neurais.
4.1. Conceitos
4.2. Redes neurais artificiais em Python 
5. Complexidade.
5.1. Conceitos
5.2. Complexidade avançada em Python
6. Análise de dados em redes através de nuvens de palavras.
6.1. Conceitos
6.2. Análise de dados em redes através de nuvens de palavras em Python.
7. Big Data e Cloud Computing
7.1. Conceitos
7.2. Implementar programas de computadores para análise de dados em Big Data 
e Cloud Computing em Python
8. Linguagem Natural
8.1. Conceitos
8.2. Linguagem Natural em Python
8.3. Estudo de caso
9. Análise de ciência de dados
9.1. Conceitos
9.2. Implementando programas de computadores para análise de dados em redes 
e por sistemas de recomendação em Python
9.3. Implementando programas de computadores para análise de ciência de dados 
em Python.
Procedimentos de Avaliação
DISCIPLINAS ONLINE
Para o aluno ser aprovado em qualquer das disciplinas ministradas e no Trabalho de 
Conclusão de Curso (TCC) é necessário, além da frequência mínima de 75% do total das 
aulas, obter o grau 7,0 (sete). Para efeito de atribuição de grau aos trabalhos realizados 
pelo aluno, será adotada a escala de zero a dez, admitindo-se apenas, a fração de meio 
ponto. A Pós Graduação participa do Programa de Avaliação Institucional da IES. O 
aluno tem a oportunidade de avaliar, o desempenho dos professores, bem como o 
conteúdo ministrado, o material didático, o atendimento administrativo e as instalações 
físicas do campus onde o curso está sendo oferecido.
Até 40% da nota resultante de avaliação docente referente a participação do aluno nos 
fóruns e atividades propostas.
Até 60% da nota resultante da avaliação (prova agendada) realizada no polo.
DISCIPLINAS PRESENCIAIS
Para o aluno ser aprovado em qualquer das disciplinas ministradas e no Trabalho de 
Conclusão de Curso (TCC) é necessário, além da frequência mínima de 75% do total das 
aulas, obter o grau 7,0 (sete). Para efeito de atribuição de grau aos trabalhos realizados 
pelo aluno, será adotada a escala de zero a dez, admitindo-se apenas, a fração de meio 
ponto. A Pós-Graduação participa do Programa de Avaliação Institucional da IES. O 
aluno tem a oportunidade de avaliar, o desempenho dos professores, bem como o 
conteúdo ministrado, o material didático, o atendimento administrativo e as instalações 
físicas do campus onde o curso está sendo oferecido.
Até 20% da nota resultante de avaliação realizada em meio digital.
Até 40% da nota relativa a aferição e participação em debate de estudos de caso e artigos.
Até 40% da nota relativa a avaliação docente em sala de aula.
Bibliografia Básica
GRUS, J. Data Science do Zero. Primeiras Regras com o Python.. 1ed. Rio de Janeiro: 
Editora Alta Books, 2016..
MARTINS, J. P. . Programação em Python. Introdução à Programação Utilizando 
Múltiplos Paradigmas.. 1ed. Lisboa: Editora IST Press, 2015.
MUELLER, J. P. Começando a Programar em Python, para leigos.. 1ed. Rio de 
Janeiro: Editora Alta Books, 2016..
Bibliografia Complementar
AMARAL, F. Introdução à Ciência de Dados: Mineração de Dados e Big Data.. 1ed. 
Rio de Janeiro: Editora Alta Books, 2016..
GIRIDHAR, C. Aprendendo Padrões de Projeto em Python.. 1ed. São Paulo: Editora 
Novatec, 2016..
WES, M. K. Python for Data Analysis.. 1ed. Rio de Janeiro: Editora O´Reilly, 2012..
Outras Informações