MBA em Inteligência Artificial e Big Data

Descrição:

Objetivos Apresentar os fundamentos para análise, recuperação e recomendação de dados multimídia. Abordar questões relevantes a arquiteturas, modelos, análises textual e multimídia, busca textual e baseada em conteúdo, indexação, multimodalidade e avaliação de sistemas. Analisar ferramentas, aplicações e sistemas disponíveis, considerando suas capacidades e limitações. Capacitar o aluno a discutir tópicos envolvidos em problemas atuais de pesquisa e de mercado em Multimedia Big Data Analytics. Justificativa Os ambientes e sistemas computacionais atuais, em especial os que utilizam tecnologia Web, vêm produzindo enorme volume de informação multimídia (Big Data). Isso leva a um problema de grande impacto social, a sobrecarga de informação, tornando difícil selecionar conteúdo de interesse em meio ao imenso e complexo volume de dados disponível. Nesse contexto, a Análise de Dados Multimídia desempenha papel central ao dar suporte ao desenvolvimento e evolução efetivos de soluções que tem se tornando parte do cotidiano das pessoas como buscadores e recomendadores (textuais, de músicas e de vídeos), gerenciadores de conteúdo e redes sociais. Conteúdo Contextualização; histórico e terminologia; caracterização dos problemas; processos e modelos; arquitetura para análise multimídia; indexação textual e multimídia; descritores e extração de características; multimodalidade; avaliação. Práticas: Aplicações em sistemas de recomen…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127108

Descrição:

Objetivos Apresentar ao aluno técnicas e aplicações de ciência de dados, aprendizado de máquina e mineração de dados, na fronteira do conhecimento, abordando questões atuais, mais especificamente, preparação e análise dos dados, interpretação de resultados, sistemas de recomendação e mineração de dados sociais, com exemplos de aplicações, possibilitando o uso dessa tecnologia na solução de problemas e na tomada de decisão. Justificativa A área de engenharia de dados, em suas mais variadas frentes, tem tido grande relevância frente aos desafios de se gerenciar e processar a grande quantidade de dados disponíveis, principalmente online, tanto dados estruturados quanto não estruturados. Dominar os conceitos e os métodos automáticos existentes para extração de conhecimento é essencial para o real proveito dos dados disponíveis, quer de uso geral, quer de domínios especializados. Conteúdo Parte 1: Exploração de dados (Dados univariados; Dados multivariados; Visualização: histograma, boxplot e scatterplot), Pre-processamento de dados (limpeza dos dados, transformação, redução de dimensionalidade e dados desbalanceados). Aplicação 1 e Aplicação 2 Parte 2: Paradigmas de Aprendizado e Regressão linear, multivariada e logística. Medidas de Avaliação. Modelos preditivos. Análise de experimentos: uso de métricas de avaliação, matriz de confusão e curva ROC. Aplicação 3 Parte 3: Métodos de Aprendizado para Classificação e R…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127109

Descrição:

Objetivos: Este minicurso aborda os conceitos básicos de Estatística e os principais métodos utilizados na Ciência da Computação, assim como sua aplicação a dados reais. O foco é compreender não apenas as situações adequadas para o uso dos métodos, mas também as suas suposições e limitações, tornando mais consciente suas aplicações. Conteudo 1. Introdução, incluindo: a) definição de variáveis e classificação, b) conceitos de planejamento de experimentos, c) amostragem e reamostragem, d) distribuições discretas e contínuas 2. Análise de dados experimentais, incluindo: a) análise descritiva e correlações, b) conceitos básicos de testes de hipóteses, c) testes paramétricos vs testes não paramétricos 3. Testes paramétricos de uma amostra, de duas amostras, de mais de duas amostras 4. Testes não paramétricos de uma amostra, de duas amostras, de mais de duas amostras 5. Análise de regressão para respostas contínuas e binarias 6. Avaliação de desempenho de algoritmos ou processos 7. Introdução à inferência bayesiana AS práticas dos métodos será feita nos programas R e Python. Referências Trivedi, K.S. (2016). Probability and Statistics with Reliability, Queueing, and Computer Science Applications, 2nd EditionAlbert, Jim. Bayesian computation with R. Springer Horgan, J. M. (2011). Probability with R: An Introduction with Computer Science Applications. Wiley Haslwanter, T. (2016). An Intr…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127110

Descrição:

Objetivos: Apresentar as principais tecnologias para a coleta, preparação, armazenagem, recuperação, e análise de dados em larga escala. Este módulo trata dos recursos computacionais que dão apoio a tais processos, envolvendo como preparar os dados para serem armazenados e analisados. Isso é feito analisando-se os princípios envolvidos nas ferramentas usadas, tratando especialmente os aspectos que afetam o desempenho dos processos, e com isso dar diretrizes técnicas de como desenvolver sistemas levando em conta questões de velocidade de processamento, consumo de memória, repetibilidade de processos, integração de fontes de dados diversas (estrutural e temporalmente), recursos computacionais, e de comunicação, etc. Este módulo apresenta as principais classes de ferramentas e como elas podem ser usadas para executar as tarefas necessárias para desenvolver sistemas que atendam às expectativas para se obter o desempenho esperado sobre grandes conjuntos de dados. Justificativa: Na era da "Sociedade da Informação" em que vivemos hoje, os dados são o bem mais importante das pessoas, empresas e instituições. Em muitas situações, os dados são acumulados ao longo do tempo, criando grandes repositórios, que necessitam ser analisados para deles extrair padrões, conhecimento útil. Processos analíticos, que envolvem predominantemente análises baseadas em estatísticas e processos de mineração de dados, tendem a ter complexidade super-li…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127111

Descrição:

Conteudo - Desafios jurídicos da proteção de dados e segurança da informação (Legislação no Ambiente Digital) O panorama geral da proteção de dados no Brasil; Principais conceitos da legislação e aplicabilidade para TI e análise de dados; Bases legais e tratamento de dados; a importância do mapeamento para a conformidade; O titular de dados - quem é, quais seus direitos, como cumpri-los; Incidentes de segurança - como abordá-los; Discriminação algorítmica - conceito jurídico e importância para a análise de dados; Portabilidade de dados - desafios e oportunidades - Fundamentos da privacidade de dados - Introdução à anonimização de dados - Técnicas de anonimização - Medidas de utilidade dos dados - Ameaças e vazamento de dados pessoais - K-anonimato e l-diversidade - Introdução à privacidade diferencial - Mecanismos de privacidade diferencial - Privacidade diferencial local - Privacidade e dados complexos Bibliografia - Guide to Data Privacy: Models, Technologies, Solutions. Vicenç Torra, Springer, 2022. Se precisares remover alguma entrada para inserir, podes retirar o livro: - Data Privacy: Principles and Practice. Nataraj Venkataramanan; Ashwin Shriram; CRC Press2017. - Privacidade de Dados de Localização: Modelos, Técnicas e Mecanismos. Javam Machado; Eduardo Duarte Neto. Jornada de Atualização em Informática 2021. 1oed.: SBC, 2021, v. , p. 105-148. - Data Privacy: Principles and Practice. Nataraj Ve…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127112

Descrição:

Objetivo Esta disciplina aborda conceitos básicos para propiciar o entendimento de como é a tratativa da Infraestrutura de nuvem, rede de computadores, armazenamento e processamento de grandes bases de dados, suas preocupações relacionadas à segurança computacional e o papel da Engenharia de Dados no contexto. Entender as questões envolvidas na infraestrutura de big data é fator fundamental para propiciar mecanismos mais precisos no que tange mineração de dados, melhorando muitas vezes o desempenho do processo de análise, bem como garantindo a autenticidade, confidencialidade e integridade dos dados, permitindo que o Engenheiro de Dados desempenhe suas atividades. Apresentar os conceitos gerais em torno da disciplina de Engenharia de Dados, cobrindo o ciclo de vida do dado, papéis e responsabilidades, ferramentas, padrões arquiteturais, construção de processos de ETL. Visando a construção de processos de engenharia sustentáveis, bem como continuidade de negócio, também serão abordados aspectos sobre qualidade, governança, segurança e privacidade de dados. Justificativa As empresas têm, cada vez mais, procurado tomar decisões com base em dados. Entender o momento de vida do cliente, ofertar o melhor produto ou combinação de produtos, entender o mercado e suas oportunidades, efetuar estudos para a criação de novos produtos, elaborar simulações para análise de cenários, todos estes são exemplos usuais de análise…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127113

Descrição:

Objetivos: O curso visa prover teoria e prática sobre mineração de textos aplicada para inteligência analítica, a fim de que os alunos possam aplicar as novas técnicas e ferramentas estudadas em problemas reais. No contexto de inteligência analítica, a mineração de textos visa aplicar um conjunto de técnicas e processos para aprender padrões a partir grandes corpus textuais, em que os padrões são convertidos para geração de indicadores. Os indicadores são sumarizados por meio de estatística descritiva, desde gráficos simples para geração de dashboards até a visualização de modelos descritivos e preditivos, como clustering, classificação e regressão. Para isso, serão abordadas técnicas para extração de tópicos em textos, análise de sentimentos, extração de informação temporal, informação geográfica, e outros tipos de entidades. Será abordado o processo que envolve o pré-processamento e representação do conhecimento (aprendizado de representações e text embedding), extração de padrões (métodos de agrupamento, classificação e regressão) e pós-processamento (construção de indicadores para inteligência analítica). Justificativa: A quantidade de textos gerados por diferentes fontes tem crescido em escalas cada vez maiores, devido à popularização de portais de notícias, fóruns e redes sociais. A necessidade de analisar esses textos de forma automática e as dificuldades encontradas nesta análise têm levado à necessidade do d…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127114

Descrição:

Objetivos: Este curso visa apresentar os conceitos elementares da computação e as noções básicas necessárias para a programação de computadores. Está prevista uma apresentação desses conceitos de forma contextualizada às atuais tendências de mercado e aplicações em Ciência de Dados, Inteligência Artificial e áreas correlatas. Serão apresentadas estruturas básicas de programação, como variáveis, estruturas de controle e laços de repetição, com uso da linguagem Python. Também serão apresentados conceitos de orientação a objetos, importantes para o uso de bibliotecas essenciais a atividades como análise de dados, visualização e treinamento de modelos. Com base neste curso introdutório, o aluno deverá ter mais autonomia para continuar seus estudos na área. Justificativa: O curso é voltado especialmente para alunos sem conhecimento de programação ou que necessitem relembrar os pontos mais elementares deta prática. Tais habilidades são essenciais para que se possa manipular dados adequadamente, implementar fluxos de trabalho para explorar ou visualizar os dados, construir e avaliar modelos, entre outras atividades essenciais no desenvolvimento de uma especialização em Inteligência Artificial e Big Data. Neste sentido, é importante assegurar que, antes de começar a trabalhar com as plataformas e bibliotecas específicas para Ciência de Dados, o aluno tenha habilidades elementares de programação em uma linguagem adequada. …

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127115

Descrição:

Objetivos: Fornecer uma Introdução a linguagem Python para tratamento, visualização e análise de dados, bem como uma revisão de conexãoSQL e conexão SQL Python. Conteúdo: Neste curso serão apresentados os principais comandos de programação em Python: estruturas seqüenciais e condicionais, listas, tuplas, funções, strings, arquivos e programação orientada a objeto. Ferramentas para prototipagem, tratamento e análise de dados: Jupyter Notebooks, Numpy, Pandas, Matplotlib e Scikit-learn, no contexto do aprendizado de máquina. Revisão da linguagem SQL: comandos de definição e de manipulação de dados, operações de junção interna e externa, funções de agregação e de agrupamento, conexão SQL Python. Bibliografia: SEVERANCE, C. Python for Informatics Exploring Information. Disponível em http://do1.dr-chuck.com/py4inf/EN-us/book.pdf GRIES. P.; CAMPBELL, J.; MONTOJO, J. Practical Programming (2nd edition): An Introduction to Computer Science Using Python 3, 2013, The Pragmatic Programmers ELMASRI, R.; NAVATHE, S.B. Sistemas de Banco de Dados, 7a edição. Pearson, 2019, ISBN10 8543025001. SILBERSCHATZ, KORTH, e SUDARSHAN. Database System Concepts. Livro digital - https://www.db-book.com/. McGraw-Hill, 2019, ISBN 9780078022159.

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127116

Descrição:

Objetivos: Apresentar os principais conceitos e as etapas de execução de um trabalho acadêmico ao longo dos quatro módulos (Met I a IV), preparando e instrumentalizando o aluno para que o trabalho esteja concluído ao final da disciplina O objetivo de Met I é apresentar os conceitos gerais sobre os trabalhos acadêmicos e o ciclo da sua produção, e introduzir os dois tipos de trabalho de conclusão de curso do MBA IA e BIG DATA e detalhar os itens obrigatórios que compõem os dois tipos de trabalho de conclusão de curso do MBA IA e BIG DATA. Também será detalhado detalhar a etapa do levantamento bibliográfico (como base para os itens: tema e problema, introdução e contextualização, panorama de mercado, fundamentos de IA e Big Data, metodologia ou solução a ser escolhida) e apresentar as principais fontes de informação da área. Ementa: O que é pesquisa / trabalho acadêmico Por que fazer pesquisa / trabalho acadêmico O resultado da pesquisa / trabalho acadêmico Ciclo da pesquisa / trabalho acadêmico Projeto de pesquisa do MBA IA e BIG DATA Modelo de Negócio com base em IA e BigData Tópicos para um TCC Tema e problema (serve ao TCC e MNEG) Introdução (serve ao TCC e MNEG) Hipótese Justificativa (serve ao TCC e MNEG) Referencial teórico (serve ao TCC e MNEG) Metodologia (serve ao TCC e MNEG) Proposta de procedimentos da pesquisa proposta para a análise dos dados (serve ao TCC e MVP para MNEG) Cronograma (…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127117

Descrição:

Objetivos: Iniciar o desenvolvimento das habilidades necessárias ao desenvolvimento do Trabalho de Conclusão de Curso (TCC). Apresentar conceitos e regras sobre citação e referências bibliográficas para o apoio à correta redação dos trabalhos acadêmicos e as principais normas da ABNT que regem os itens obrigatórios dos dois tipos de trabalho de conclusão de curso do MBA IA e BIG DATA. Introduzir os elementos externos, de formatação e editoração dos dois tipos de trabalho de conclusão de curso e apresentar o template do trabalho de conclusão do curso em Latex Ementa: Plágio e direitos autorais Citação e referências bibliográficas Principais normas da ABNT Templates Geração de ficha catalográfica Latex Overleaf Prática: Discussões individuais sobre os projetos de TCC a serem desenvolvidos. Referências: ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro, 2018. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6024: informação e documentação: numeração progressiva das seções de um documento. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6027: informação e documentação: sumário: apresentação. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMA TÉCNICAS. NBR 6028: informação e documentação: resumo: apresentação. Rio de Janeiro, 2003. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 10520: informação e documentação: citações e…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127118

Descrição:

Objetivos: Dar continuidade no desenvolvimento das habilidades necessárias ao desenvolvimento do Trabalho de Conclusão de Curso (TCC). Incentivar o aluno no desenvolvimento do seu TCC e compartilhar com a turma as ideias de projeto. Ementa: Discussões individuais sobre os projetos de TCC que estão sendo desenvolvidos. Pesquisa e trabalho científico em Big Data e Inteligência Artificial: características da área, temas de pesquisa e sua avaliação e validação, tipos e fóruns de publicação decorrentes do trabalho e seu impacto Prática: Se preparar e participar do workshop de apresentação de ideias dos projetos da turma. Referências: Dissertações, teses, artigos etc relativos a cada TCC que está sendo desenvolvido. Portal da Escrita científica USP. http://www.escritacientifica.sc.usp.br. Jorge Leite de Oliveira (2012). Texto acadêmico: Técnicas de redação e de pesquisa científica, Editora Vozes. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro, 2018. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6024: informação e documentação: numeração progressiva das seções de um documento. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6027: informação e documentação: sumário: apresentação. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMA TÉCNICAS. NBR 6028: informação e documentação: resumo: apresentação. Rio de Janeiro, 2003. ASSOC…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127119

Descrição:

Objetivos: Dar continuidade no desenvolvimento das habilidades necessárias ao desenvolvimento do Trabalho de Conclusão de Curso (TCC). Incentivar o aluno na análise de resultados do seu TCC. Revisar os principais itens dos dois tipos de trabalho de conclusão de curso, checar a redação e reforçar sobre os elementos externos, pré-textuais e pós-textuais. Orientar sobre a Biblioteca Digital de Trabalhos Acadêmicos da USP – BDTA. Ementa: Discussões individuais sobre os projetos de TCC que estão sendo desenvolvidos. Referências: Dissertações, teses, artigos etc relativos a cada TCC que está sendo desenvolvido. Portal da Escrita científica USP. http://www.escritacientifica.sc.usp.br. Jorge Leite de Oliveira (2012). Texto acadêmico: Técnicas de redação e de pesquisa científica, Editora Vozes. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6023: informação e documentação: referências: elaboração. Rio de Janeiro, 2018. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6024: informação e documentação: numeração progressiva das seções de um documento. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6027: informação e documentação: sumário: apresentação. Rio de Janeiro, 2012. ASSOCIAÇÃO BRASILEIRA DE NORMA TÉCNICAS. NBR 6028: informação e documentação: resumo: apresentação. Rio de Janeiro, 2003. ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 10520: informação e documentação: citações em documentos: apresentaç…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127120

Descrição:

Objetivos: O curso visa prover teoria e prática sobre processamento analítico de dados em larga escala, a fim de que os alunos possam utilizar a teoria aprendida pare resolver problemas práticos enfrentados no mercado de trabalho. É fornecida uma visão ampla dos objetivos da inteligência do negócio (business intelligence), do conceito de big data e dos fundamentos de data warehousing, desde aspectos relacionados com o processo ETL (extract-transform-load) até o armazenamento adequado dos dados em data warehouses e a recuperação desses dados voltada à tomada de decisão estratégica. É definido um problema prático do mundo real, o qual é utilizado ao longo de todo o curso para exemplificar os conceitos e fundamentos estudados. Desde que a manipulação de dados em larga escala requer o uso de processamento de dados paralelo e distribuído, no curso também são introduzidos o modelo de programação funcional MapReduce e as suas implementações amplamente utilizadas no mercado de trabalho, com destaque para Spark. Adicionalmente, são especificadas diferentes consultas analíticas voltadas à tomada de decisão estratégica usando PySpark, discutindo sua importância na tomada de decisão estratégica frente às necessidades enfrentadas pelo mercado de trabalho. Justificativa: Diversas aplicações comerciais atuais necessitam gerenciar gigantescos volumes de dados com o intuito de realizar a tomada de decisão estratégica, permitindo à empre…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127121

Descrição:

Objetivos: Introduzir o aluno aos conceitos básicos e a algumas técnicas e modelos relevantes utilizados na área de Processamento de Linguagem Natural, aprimorando sua formação para pesquisar e trabalhar com recursos, ferramentas e aplicações computacionais que envolvam a língua humana. Justificativa: A área de Processamento de Linguagem Natural tem tido grande destaque em função de suas aplicações diversificadas atuais. Este curso deve oferecer as competências básicas para o aluno ingressar nesta frente de trabalho e pesquisa. Conteúdo: Visão geral da área de Processamento de Linguagem Natural: conceitos básicos; níveis de representação e processamento linguístico; abordagens e paradigmas para tratamento computacional da língua natural; familiarização e prática com recursos, ferramentas e aplicações da área; construção e anotação de córpus; aprendizado a partir de dados e introdução às modelagens matemáticas, estatísticas e distribucionais mais usuais; transformers e modelos de língua; introdução e discussão de aplicações atuais relevantes da área; prática com pacotes de processamento textual para desenvolvimento de soluções. Práticas previstas: pré-processamento textual, levantamentos estatísticos sobre dados textuais, anotação automática de textos - tagging, parsing e entidades nomeadas, uso de word embeddings, uso de transformers. Bibliografia básica: - Jurafsky, D. and Martin, J.H. (2023). Speech and Lan…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127122

Descrição:

Objetivos: Apresentar as técnicas atuais mais importantes para a análise e comparação de imagens em grandes coleções, com o objetivo de recuperar imagens significativas para o usuário em um processo de busca. A comparação de imagens pode ser feita usando tanto o conteúdo visual intrínseco das imagens (comparação por conteúdo) quanto descrições e termos conotativos associados a elas por processos externos à imagem (comparação por descrição). Este módulo trata especialmente a comparação por conteúdo, sendo que a comparação por descrição é tratada como um caso de aplicação em outros módulos. A recuperação baseada em comparações do conteúdo é feita usando algoritmos automáticos de extração de características, as quais são então comparadas por funções que atribuem um valor de similaridade entre os pares de imagem. Estruturas de indexação podem ser associadas aos conjuntos de características extraídas, as quais são processadas para agilizar a busca em grandes coleções de imagens, para recuperar as imagens que respondem às consultas solicitadas. Justificativa: Quando as informações de interesse de uma aplicação envolvem grandes conjuntos de imagens, as técnicas tradicionais de recuperação de informação não são suficientes. Dados tradicionais são chamados aqui de escalares: eles são indivisíveis, e os processos de comparação são bem definidos e únicos: a decisão dois números, duas pequenas cadeias de caracteres, duas datas, dois v…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127123

Descrição:

Detalhamento: Objetivos: Os objetivos principais são apresentar conceitos e técnicas de redes complexas endereçados à modelagem e resolução de problemas reais da ciência de computação e mineração de dados baseada em redes. Justificativa: Diversos fenômenos do mundo real formam estruturas organizadas em redes como, por exemplo, redes de transmissão e distribuição de energia elétrica, redes viárias, redes sociais, redes de computadores, redes neuronais. Com a relevância desses fenômenos, as ciências e engenharias lidam cada vez mais com problemas modelados por redes complexas (grandes grafos esparsos). Assim, o estudo de redes complexas é importante e de interesse geral para diversas áreas. Em computação, as redes complexas são utilizadas em várias linhas de pesquisa, como mineração de dados, processamento de imagens, recuperação de informação, reconhecimento de padrões, bioinformática e computação em grade. Conteúdo: A disciplina vai explorar os conceitos, técnicas e aplicações envolvidas nas redes complexas como Modelos e Algoritmos de Geração de Redes Complexas Medidas de Centralidade em Redes Complexas Mineração de redes complexas Detecção de comunidades Aplicações: A disciplina também inclui resolução de exercícios propostos sobre os tópicos abordados. Bibliografia: Menczer, F., Fortunato, S. and Davis, C.A., 2020. A first course in network science. Cambridge University Press. MEJ Newman. Networks an introd…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127124

Descrição:

Objetivos Este curso tem como objetivo apresentar os principais modelos de redes neurais artificiais e seus usos em aplicações práticas. Modelos que incorporam os 2 principais paradigmas de aprendizado: supervisionado, não supervisionado serão apresentados. Aplicações em diversas áreas também serão vistas. Justificativa As redes neurais profundas (DNN) têm apresentado excelentes desempenhos em tarefas de classificação e reconhecimento de padrões. Alguns dos modelos existentes conseguiram superar o desempenho de humanos no reconhecimento de imagens e tem revolucionado a área de visão computacional entre outras. Conteúdo Neste curso serão apresentados, inicialmente, modelos básicos, tais como, Perceptron, rede MLP – Multi-Layer Perceptrons e alguns dos principais modelos de redes profundas, tais como, redes convolucionais (CNN), redes adversárias (GAN), redes neurais recorrentes (LSTM e GRU) e transformers. Conceitos de técnicas de aprendizado como transfer learning e otimização de parâmetros serão também apresentados. Todos os métodos serão acompanhados com exercícios práticos usando o framework TensorFlow. Aplicação 1: Uso de Transfer Learning; Aplicação 2: GANs. Aplicação3: Uso de LSTM e GRU para previsão para séries temporais Aplicação 4: Uso de Transformer para tradução e comparação com a rede LSTM. Bibli…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127125

Descrição:

Conteúdo: O objetivo desta disciplina apresentar e estudar os conceitos fundamentais e avançados da visualização de dados, bem como as melhores técnicas e aplicações em dados reais. Principais tópicos: Parte I – Melhores tipos de visualizações simples de acordo com diferentes tipos de dados, bem como dicas de boas práticas de uso de diferentes elementos visuais (como cor, textura, forma). Aplicação 1 – Como escolher uma técnica de visualização com diferentes elementos visuais para um tipo de dado específico? Parte II - Problemas e desafios da visualização de dados, sugestões de boas práticas e visualizações de dados complexos através de grafos. Aplicação 2 – Modelagem e análise de dados complexos através do uso da visualização de grafos Parte III – Uso da visualização de dados no contexto de big data e inteligência artificial, bem como técnicas quantitativas e qualitativas para validação da qualidade de visualizações. Aplicação 3 – Uso de medidas para avaliar técnicas de visualizações de dados. Parte IV – Diferentes sistemas para visualização de dados e aplicações e novos avanços da área. Aplicação 4 – Uso de sistemas populares para visualização de dados. Bibliografia: Better Data Visualizations: A Guide for Scholars, Researchers, and Wonks, Jonathan Schwabish, 2021, ‎Columbia University Press Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures, Claus O…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=127127

Descrição:

Objetivos: Proporcionar aos participantes uma visão de tópicos recentes da área de Big Data e Inteligência Artificial, que serão apresentados por professores da própria instituição ou por palestrantes especialmente convidados. Justificativa: A apresentação de tópicos atuais de pesquisa, realizada por pesquisadores experientes, é uma atividade que ocupa um lugar de destaque em todos os programas de formação em nível de pós-graduação. É uma das ocasiões mais importantes em que novas ideias são apresentadas e discutidas com os alunos. Conteúdo: Palestras sobre Tendências em Big Data Analytics e Tendências em Inteligência Artificial aplicada a Dados serem escolhidas conforme os interesses das pesquisas em andamento relacionadas a especialização em Big Data e Inteligência Artificial e de acordo com os avanços recentes, teóricos e experimentais. Bibliografia: M. J. Zaki and W. Meira - Data Mining and Machine Learning: Fundamental Concepts and Algorithms, 2'Ed: Cambridge University Press, 2020. Aggarwal, C. C. (2018). Machine learning for text. Cham: Springer International Publishing. Katti Faceli, Ana Carolina Lorena, João Gama, Thiago Agostinho de Almeida, André C.P.L.F. de Carvalho, Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina, LTC; 2ª edição, 2021. BLUM, Renato Opice; VAINZOF, Rony; MORAES, Henrique Fabretti. Data Protection Officer (encarregado). São Paulo: Revista dos Tribunais, 2020. Artigos re…

Para mais informações, acesse:

https://uspdigital.usp.br/apolo/apoObterAtividade?cod_oferecimentoatv=128865