Trailer

Sinopse

A disciplina tem por objetivo apresentar os conceitos introdutórios e as principais ferramentas de Ciência de Dados, mostrando como organizar, manipular, extrair informações e gerar conhecimento a partir de um conjunto de dados. É uma matéria que mescla explicações teóricas com uma abordagem essencialmente prática e aplicada. O curso aborda métodos estatísticos, aprendizado de máquina e técnicas de visualização de dados. Utiliza exclusivamente a linguagem Python, com foco no uso do Google Colab e de bibliotecas como NumPy, Pandas, Scikit-Learn, Matplotlib e Seaborn. Embora seja uma matéria introdutória e bem assimilada pelos alunos, o seu principal desafio consiste em desenvolver o senso crítico para a interpretação aprofundada dos resultados. Além de que a disciplina é de grande importância para diversas áreas de atuação.

Vídeo

Classificações

30%
70%

Clássicas

Ativas

0%
100%

Provas

Atividades

30%
70%

Teórica

Prática

30%
70%

Social

Técnica

40%
60%

Individuais

Em grupo

100%
0%

Presencial

EAD


Podcast

Velocidade 1.0x

Materiais

Sem materiais disponiveis...

Conhecimentos / Competências Desejados

● Lógica de Programação: Capacidade de estruturar algoritmos e resolver problemas computacionais básicos. (Preferencialmente na linguagem Python) ● Probabilidade e Estatística: Compreensão de conceitos fundamentais para análise e interpretação de dados.

Tópicos

    Sem tópicos cadastrados


Obstáculos

De forma geral, a disciplina não apresenta grandes obstáculos. As dificuldades mais comuns surgem quando o aluno não tem familiaridade com lógica de programação ou noções básicas de estatística, embora isso não comprometa significativamente o acompanhamento das aulas.Além disso, pode haver algum desafio em desenvolver senso crítico para interpretar os dados de forma mais aprofundada, assim como em lidar com a variedade de aplicações e conceitos multidisciplinares apresentados, especialmente no início da disciplina.

Metodologias

Não há metodologias cadastradas

Perguntas Frequentes

Não. Por ser introdutória, a disciplina costuma ser bem assimilada pelos alunos. O maior desafio, segundo o professor, é ajudar os estudantes a desenvolverem um senso crítico para interpretar resultados e gerar conhecimento a partir dos dados.
A Ciência de Dados é multidisciplinar e pode ser aplicada em diversas áreas como saúde, finanças, direito, biologia, bioinformática, entre outras. Qualquer área que trabalhe com dados pode se beneficiar do conhecimento adquirido nessa disciplina.
Sim. Um exemplo citado foi a criação de modelos para identificar sites de phishing com base em características dos domínios. Outro exemplo é a análise de dados genéticos para associar genes a características de organismos.
A disciplina apresenta conceitos introdutórios de Ciência de Dados, mostrando ferramentas e técnicas para organizar, manipular e extrair informações de conjuntos de dados. São abordados métodos estatísticos, aprendizado de máquina, inteligência artificial e visualização de dados.
A disciplina utiliza exclusivamente a linguagem Python, com forte uso do Google Colab e bibliotecas como NumPy, Pandas, Scikit-Learn, Matplotlib e Seaborn.
2025

Índices de aprovação

Altere a data ou marque/desmarque a opção "Todos os períodos" para fazer uma nova busca.

Aprovados 0%
Reprovados 0%
Nota média (todas as unidades)
0
Nota média por unidade
Unidade 1 N/A
Unidade 2 9.7
Unidade 3 4.2

Conteúdos

Ementa

  • Conceitos e definições sobre Ciência dos Dados; produção de dados; armazenamento e coleta; análise exploratória dos dados; visualização e ferramentas.

Referências

  • Site: Ciência de dados antes da programação Site: Machine learning before coding Site: Ciência de dados para não-programadores Livro: Clustering / Livro: Pattern recognition and machine learning / Livro: Data science for business / Livro: Python para análise de dados: Livro: Como mentir com estatística / Site: roteiro da aula Site: Tutorial básico de Numpy Site: Tutorial básico de Scipy Site: Notebook da aula Site: Notebook da aula (parte II) Site: Notebook da aula (parte I) Outros: GRUS, Joel. Data science do zero. Alta Books, 2016. Outros: GÉRON, A. Hands on Machine Learning with Scikit-Learn and Tensorflow. O'Reilly, 2017. Outros: LAURA, Igual; SANTI, Seguí. Introduction to data science: A Python approach to concepts, techniques and applications. 2017. Site: Kaggle Site: Hugging Face Site: Revisão Python 1 Site: Revisão Python 2 Livro: Link do grupo do Telegram Site: Roterio da aula Livro: Estatística Básica - Prof. Filipe Zabala Site: IMD1151 - Formulário para indicação de grupos do projeto 01 Site: Notebook sobre pré-processamento de dados Site: Notebook 01 - Processamento de Dados Textuais Site: Notebook da aula 02 Site: Notebook - Exemplo de Agrupamento Site: Slides - Validação de Agrupamentos Site: Notebook - Validação de Agrupamentos Site: Plano de curso Site: Aula 03 - Slides Site: Aula 04 - Slides Site: Aula 02 - Slides Site: Aula 01 - Slides Site: Aula 05 - Slides Site: Descrição do projeto 01 Site: Exemplo - Aula 07 Site: Slides - Aula 11 Site: Respostas - Prova 01 Site: Formulário de submisão dos entregáveis do projeto da segunda unidade Site: Slides - Aula 18 Site: Slides - Aula 17 Site: Exemplo - Aula 19 Site: Descrição do Projeto da 3a unidade Site: Exemplo - Aula 18

Oferta/Matrícula


Ofertas

Última oferta: Buscando...

    Ofertas passadas
    Últimos 5 anos

      Faça uma pergunta!

      Professor

      Tetsu Sakamoto
      Email: tetsu@imd.ufrn.br

      Créditos
    • Flavio Wellington Fernandes de Souza Filho
    • Produção
      Gabriel Victor Oliveira da Silva
    • Produção
      João Victor Bezerra Gomes
    • Produção
      Mairon Lima de Melo
    • Produção
      Marcos Paulo Santos Bento da Silva
    • Produção
      Radla Oliveira Araújo dos Santos
    • Produção
      Rodrigo Dantas Matoso Holder Martins
    • Produção
      Sarah Vasconcelos Monteiro
    • Produção