|
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO
|
| UNIDADE: INSTITUTO DE QUÍMICA | ||
| DEPARTAMENTO: DEPTO. DE QUIMICA ANALITICA | ||
| DISCIPLINA: Ciência de Dados | ||
| CARGA HORÁRIA: 60 | CRÉDITOS: 4 | CÓDIGO: QUI04-17399 |
| MODALIDADE DE ENSINO: Presencial | TIPO DE APROVAÇÃO: Nota e Frequência | |
| STATUS | CURSO(S) / HABILITAÇÃO(ÕES) / ÊNFASE(S) |
| Obrigatória | QUI - Engenharia Química (versão 6) QUI - Engenharia Química (versão 7) |
| TIPO DE AULA | CRÉDITO | CH SEMANAL | CH TOTAL |
| Teórica | 4 | 4 | 60 |
| TOTAL | 4 | 4 | 60 |
EMENTA:
Introdução à Ciência de Dados: Tipos de dados: dados estruturados e não-estruturados, séries temporais, imagens.
Análise Exploratória de Dados (EDA): Medidas de posição e dispersão (média, moda, mediana, desvio padrão e
variância), medidas de correlação. Análise descritiva multivariada.
Qualidade de dados, pré-processamento e transformação de dados: Valores faltantes, valores redundantes, dados
inconsistentes, dados ruidosos, valores atípicos (outliers). Conversões e Transformação de Dados.
Métodos de Redução da Dimensionalidade: Análise de Componente Principal (PCA), Análise de Componentes
Independentes (ICA). Técnicas de Seleção de Atributos.
Detecção de Anomalias: Abordagem estatística, detecção de elementos baseada em proximidade, detecção de
elementos baseada em densidade. Técnicas baseadas em agrupamentos.
Introdução ao aprendizado não supervisionado: Métodos de Aglomeração (Clustering). Medidas de distância.
Validação de aglomerados: índice de Silhouette, índice de Jaccard. Técnicas de Aglomeração: método k-Means,
DBSCAN, Agrupamento Hierárquico. Aplicações em Engenharia Química.
Introdução ao aprendizado supervisionado
Regressão: Tipos de validação do modelo: hold out, leave one-out, validação cruzada e bootstrap. Medidas de
avaliação: MAE, MSE, RMSE. Regressão Linear. Compromisso viés variância. Métodos de Regularização: Ridge e
Lasso. Métodos com Redução de Dimensionalidade: PCR e PLS. Seleção de Modelos: Critério de Akaike e
Bayesiano. Aplicações em Engenharia Química.
Classificação: Classificação binária. Medidas de avaliação: Taxa de falso positivo, Taxa de falso negativo, Taxa de
verdadeiro positivo (Sensibilidade) Taxa de falso negativo (Especificidade), Precisão, Exatidão, Medida F1 e Curva
ROC. Algoritmos: k-vizinhos mais próximos, Naïve Bayes e Regressão Logística. Classificação n-ária. Aplicações em
Engenharia Química.
Métodos Preditivos Avançados: árvores de decisão, Splines de regressão multivariada adaptativa (MARS), Redes
Neurais Artificiais (ANN), Máquina de Vetor de Suporte (SVM). Aplicações em Engenharia Química.
Métodos Ensemble: Florestas Aleatórias e Extreme Gradient Boosting. Aplicações em Engenharia Química
OBJETIVO(S):
Introduzir os conceitos de ciência de dados no contexto da engenharia química
| PRÉ-REQUISITO 1: QUI08-17365 Métodos Computacionais Aplicados à Engenharia Química I |
| TRAVA: 150 créditos (Engenharia Química - versão 6)150 créditos (Engenharia Química - versão 7) |
BIBLIOGRAFIA: ? Amaral, Fernando. Introdução à Ciência de Dados, Alta Books Editora, Rio de Janeiro, 2016.
? Behrman, Kennedy R. Fundamentos de Python para Ciência de Dados, Grupo A Educação S. A., 2022, Porto
Alegre, RS.
? Morettin, Pedro Alberto e Singer, Julio da Motta. Estatística e Ciência de Dados, Livros Técnicos e Científicos,
Rio de Janeiro, 2023.
? Netto, Amílcar e Maciel Francisco. Python para Data Science, Editora Alta Books, 2021, Rio de Janeiro, RJ.
? https://towardsdatascience.com/
? https://archive.ics.uci.edu/ml/index.php
? https://www.kaggle.com/