Disciplinas

O aluno do PPCIC deverá integralizar um total de créditos igual ou superior a 24 (vinte e quatro), assim distribuídos:

  1. 9 (nove) créditos em disciplinas eletivas do núcleo básico, com a concordância do Professor-Orientador;
  2. 15 (quinze) créditos em disciplinas eletivas do núcleo específico, com a concordância do Professor-Orientador.

A Tabela 1 apresenta as principais disciplinas diretamente ligadas ao PPCIC. A ementa das disciplinas são apresentadas após a tabela. Cabe ressaltar que as disciplinas apresentam as referências básicas que são complementados por artigos científicos mais atualizados que os livros base.

Tabela 1 – Disciplinas do PPCIC

Disciplina Núcleo Créditos
Álgebra Linear Computacional Específico 3
Álgebra Linear e Grafos Específico 3
Algoritmos em Grafos Específico 3
Análise e Projeto de Algoritmos Básico 3
Aplicações de Robótica Específico 3
Aprendizado de Máquina Específico 3
Arquitetura de Computadores Básico 3
Banco de Dados Básico 3
Computação Paralela e Distribuída Básico 3
Fundamentos de Sistemas Multimídia Específico 3
Gerência de Dados em Larga Escala Específico 3
Metodologia Científica em Computação Básico 3
Métodos Estatísticos Básico 3
Mineração de Dados Específico 3
Mineração de Processos Específico 3
Mineração de Textos Específico 3
Otimização por Metaheurísticas Específico 3
Pesquisa Operacional Específico 3
Tópicos Especiais em Algoritmos Específico 3
Tópicos Especiais em Gerência de Dados Específico 3
Tópicos Especiais em Inteligência Computacional Específico 3
Tópicos Especiais em Modelagem Específico 3
Tópicos Especiais em Multimídia Específico 3
Tópicos Especiais em Otimização Específico 3
Pesquisa para a Dissertação de Mestrado 0
Seminário para a Dissertação de Mestrado 0

 

Álgebra Linear Computacional

Aspectos fundamentais (álgebra linear, normas, determinante e complexidade computacional). Modelagem por Sistemas Lineares e regra de Crammer. Elementos de análise de erro e condicionamento. Métodos Diretos na resolução de Sistemas Lineares (Eliminação Gaussiana, Decomposição). Métodos Iterativos: clássicos e não clássicos (Krylov). Escalamento, Estabilidade e Esparsidade. Pré Condicionadores. Multigrid. Métodos para Determinação de Autovalores e Autovetores. Técnicas de Paralelismo

  1. G. Golub & C. vanLoan, Matrix Computations; Johns Hopkins University Press;
  2. P.G. Ciarlet, Introduction a l’Analyse Numerique Matricielle et a l’Optimisation; Ed.Masson
  3. D.S. Watkins. Fundamentals of Matrix Computation. Wiley-Interscience

 

Álgebra Linear e Grafos

Grafos. Subgrafos e Supergrafos. Famílias de Grafos Especiais. Passeios e Caminhos em grafos. Grafos bipartidos e sua caracterização. Caminhos e ciclos eulerianos. Caminhos e ciclos hamiltonianos; Técnicas de Provas: indução e contradição em problemas de grafos. Matrizes associadas a grafos. Autovalores de matrizes associadas a grafos. Isomorfismo em Grafos. Árvores. Árvores Geradoras. Árvores Geradoras Mínimas. Conectividade. Coloração.

  1. Russel Merris. Graph Theory. John Wiley & Sons. 2001
  2. J.A. Bondy. U.S. R. Murty. Graph Theory. Springer. 2008
  3. Algebraic Graph Theory, Chris Godsil e Gordon Royle, Springer, 2004.

Algoritmos em Grafos

Análise de algoritmos. Introdução à Teoria dos Grafos. Esquemas de Representação para Grafos. Percursos em Grafos. Aplicações de Percursos em Grafos. Ordenação Topológica. Algoritmos Gulosos. Programação Dinâmica. Árvore Geradora Mínima. Caminhos Mínimos. Fluxo Máximo e Emparelhamento Máximo.

  1. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to Algorithms . The MIT Press, Cambridge, Mass, 3rd edition edition, July 2009.
  2. Robert Sedgewick and Kevin Wayne. Algorithms . Addison-Wesley Professional, Upper Saddle River, NJ, 4th edition edition, March 2011.
  3. Sanjoy Dasgupta, Christos Papadimitriou, and Umesh Vazirani. Algorithms . McGraw-Hill Education, Boston, 1 edition edition, September 2006.

 

Análise e Projeto de Algoritmos

Estruturas de dados, especificação de algoritmos e análise de complexidade computacional. São apresentados os métodos gerais de organização de dados: hashing, árvores, filas, listas, filas de prioridade e suas aplicações em problemas de buscas em grafos, otimização e computação científica em larga escala.

  1. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to Algorithms . The MIT Press, Cambridge, Mass, 3rd edition edition, July 2009.
  2. Jon Kleinberg and Eva Tardos. Algorithm Design . Pearson, Boston, 1 edition edition, March 2005.
  3. Robert Sedgewick and Kevin Wayne. Algorithms . Addison-Wesley Professional, Upper Saddle River, NJ, 4th edition edition, March 2011.
  4. Donald E. Knuth. The Art of Computer Programming . Addison-Wesley Professional, Amsterdam, March 2011.

 

Aplicações de Robótica

Fundamentos e Características Gerais da Robótica; Robôs Industriais e Móveis; Sensores, Atuadores e Manipuladores; Conceitos de Microcontroladores: Tipos, Características, Organização Interna, Linguagens de Programação. Modelamento de Robô Móveis (cinemático e dinâmico). Estratégia de programação de microcontroladores para robôs móveis. Aplicações de Robótica: Robôs Móveis para Educação e IoT (Internet of Things).

  1. NIKU, Saeed B.. Introduction to robotics analysis, systems, applications. c2001. 349 p. ISBN 0-13-061309-6. Upper Saddle River, NJ.: Prentice-Hall.
  2. MARTINS, N. A.. Sistemas Microcontrolados. 1a ed., Novatec, 2005.
  3. CRISP, J.. Introduction to Microprocessors and Microcontrollers. 2a ed., Newnes, 2004
  4. MACKENZIE, I. S.; PHAN, R. C. W.. The 8051 Microcontroller. Prentice-Hall, 2006.
  5. GILLILAND, M.. The Microcontroller Application Cookbook. Woodglen Press, 2000.
  6. WILMSHURST, T.. Designing Embedded Systems with PIC microcontrollers: principles and applications. Newnes, 2006.

 

Aprendizado de Máquina

Aprendizado de máquina é um campo de rápido crescimento na fronteira entre ciência da computação e estatística cujo objetivo é encontrar padrões a partir de dados. Nesta disciplina, estuda-se uma gama de métodos: conectivistas, probabilísticos, baseados em proximidade, árvores de decisões que possam ser utilizados em diferentes etapas do processo de experimentação baseado em dados.

  1. Kevin P. Murphy. Machine Learning: A Probabilistic Perspective . The MIT Press, Cambridge, MA, 1 edition edition, August 2012.
  2. Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data . Cambridge University Press, Cambridge ; New York, 1 edition edition, November 2012.
  3. Christopher Bishop. Pattern Recognition and Machine Learning . Springer, New York, October 2007.
  4. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning: with Applications in R . Springer, 1st ed. 2013. corr. 4th printing 2014 edition edition, August 2013.
  5. Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin. Learning From Data . AMLBook, S.l., March 2012.
  6. Brett Lantz. Machine Learning with R . Packt Publishing, Birmingham, October 2013.
  7. Simon O. Haykin. Neural Networks and Learning Machines . Prentice Hall, New York, 3 edition edition, November 2008.

 

Arquitetura de Computadores

Introdução à organização de computadores. Sistemas de numeração. Hierarquias de memória. Memórias principal, cache e de leitura-somente. Unidade Central de Processamento: componentes, ciclo da instrução. Métodos e dispositivos de entrada e saída.

  1.  Andrew S. Tanenbaum and Todd Austin. Structured Computer Organization . Pearson, Boston, 6 edition edition, August 2012.
  2. William Stallings. Computer Organization and Architecture: International Edition . Pearson Education, edic~ao: 9 edition, March 2013.
  3. John L. Hennessy and David A. Patterson. Computer Architecture: A Quantitative Approach . Morgan Kaufmann Publishers, Waltham, MA, September 2011.

 

Banco de Dados

Conceitos básicos de BD: Introdução aos conceitos básicos de gerência de bases de dados. Arquitetura de um SGBD. Evolução dos modelos de dados. O modelo relacional: álgebra das relações e otimização de consultas. Transações e as propriedades ACID. Controle de Concorrência. Recuperação de falhas. BDs distribuídos: conceitos, projeto de distribuição de dados, processamento distribuído de consultas distribuídas. NoSQL: Teorema CAP, ACID vs BASE, modelos de dados chave-valor, colunar, documentos e grafos. Abordagens de SGBDs: In-Memory DB, BDs Espaço-Temporais, MOD (Moving Objects Databases).

  1. Ramez Elmasri and Shamkant B. Navathe. Fundamentals of Database Systems. 5th ed. Pearson/Addison Wesley, 2006.
  2. M. Tamer Ozsu, Patrick Valduriez. Principles of Distributed Database Systems. 3rd ed. Springer, 2011.
  3. Peter Lake, Paul Crowther. Concise Guide to Databases: A Practical Introduction. Springer-Verlag London, 2013.
  4. C. J. Date. An Introduction to Database Systems. 8th ed. Pearson, Boston, 2003.
  5. Abraham Silberschatz, Henry Korth, and S. Sudarshan. Database System Concepts. 6 ed. McGraw-Hill Science/Engineering/Math, 2010.
  6. Raghu Ramakrishnan and Johannes Gehrke. Database Management Systems. 3rd ed. McGraw-Hill, 2002.

 

Computação Paralela e Distribuída

Sistemas, arquiteturas, algoritmos, modelos de programação, linguagens e ferramentas de software. Os tópicos abordados incluem modelos de paralelização e distribuição (MPI, Map-Reduce, etc); arquiteturas paralelas; cluster e sistemas de computação paralelo e distribuído, algoritmos distribuídos e paralelos, estruturas de dados e metodologias de programação; aplicações; e análise de desempenho.

  1. Georg Hager and Gerhard Wellein. Introduction to High Performance Computing for Scientists and Engineers . CRC Press, Boca Raton, FL, 1 edition, July 2010.
  2. Victor Eijkhout. Introduction to High Performance Scientic Computing . lulu.com, Raleigh, N.C., January 2015.
  3. K. G. Srinivasa and Anil Kumar Muppalla. Guide to High Performance Distributed Computing: Case Studies with Hadoop, Scalding and Spark . Springer, New York, NY, 2015 edition edition, February 2015.
  4. Mahmoud Parsian. Data Algorithms: Recipes for Scaling Up with Hadoop and Spark . O’Reilly Media, Sebastopol, 1 edition edition, July 2015.
  5. Sandy Ryza, Uri Laserson, Sean Owen, and Josh Wills. Advanced Analytics with Spark: Patterns for Learning from Data at Scale . O’Reilly Media, Beijing, 1 edition edition, April 2015.
  6. Pethuru Raj, Anupama Raman, Dhivya Nagaraj, and Siddhartha Duggirala. High-Performance Big-Data Analytics: Computing Systems and Approaches . Springer, S.l., 2015 edition edition, August 2015.
  7.  Vijay Srinivas Agneeswaran. Big Data Analytics Beyond Hadoop: Real-Time Applications with Storm, Spark, and More Hadoop Alternatives . Pearson FT Press, Upper Saddle River, 1 edition edition, May 2014.

 

Fundamentos de Sistemas Multimídia

Introdução à sistemas multimídia. Apresentação do conceito de mídia, junto com sua representação para armazenamento e exibição. Discussão sobre os diferentes componentes de um sistema multimídia. Modelos e linguagens para autoria multimídia. Multimídia na Web, TV Digital e IPTV. Sincronização das coisas.

  1. Multimedia Communications: Applications, Networks, Protocols, and Standards. F. Halsall, Addison-Wesley Publishing, 2000.
  2. Programando em NCL 3.0, Soares, L.F.G.S.; Barbosa, S.D.J. Editora Campus-Elsevier, 2009.
  3. Fundamentos de Sistemas Multimídia. Soares, L.F.G.; Tucherman, L.; Casanova, M.A.; Nunes, A. VIII Escola de Computação, julho 1992.

 

Gerência de Dados em Larga Escala

Introdução de conceitos fundamentais, tecnologias e aplicações inovadoras realizados ao processamento e análise de grandes volumes de dados (BigData). Explora as soluções tecnológicas mais recentes, dentre as quais as diferentes formas de organização de dados, incluindo abordagens sistemas de armazenamento distribuídos (HDFS), bancos de dados relacional-objeto, NoSQL e newSQL e suas ligações como técnica de paralelismo baseado no particionamento de dados.

  1.  M. Tamer  Ozsu and Patrick Valduriez. Principles of Distributed Database Systems . Springer, New York, 3rd ed. 2011 edition edition, March 2011.
  2. Peter Lake and Robert Drake. Information Systems Management in the Big Data Era . Springer, New York, NY, 2014 edition edition, January 2015.
  3. Vijay Srinivas Agneeswaran. Big Data Analytics Beyond Hadoop: Real-Time Applications with Storm, Spark, and More Hadoop Alternatives . Pearson FT Press, Upper Saddle River, 1 edition edition, May 2014.
  4. Hrushikesha Mohanty, Prachet Bhuyan, and Deepak Chenthati, editors. Big Data: A Primer . Springer, New York, NY, 2015 edition edition, July 2015.
  5.  Aboul-Ella Hassanien, Ahmad Taher Azar, Vaclav Snasel, Janusz Kacprzyk, and Jemal H. Abawajy, editors. Big Data in Complex Systems: Challenges and Opportunities . Springer, New York, 2015 edition edition, January 2015.
  6. Christine L. Borgman. Big Data, Little Data, No Data: Scholarship in the Networked World . The MIT Press, Cambridge,Massachusetts, January 2015.
  7. Sandya Mannarswamy. Data Science: Learn the What, Where, and How of Data Science . Apress, 2015 edition edition, June 2015.
  8. Tony Hey, Stewart Tansley, and Kristin Tolle, editors. The Fourth Paradigm: Data-Intensive Scientic Discovery . Microsoft Research, Redmond , Washington, 1 edition edition, October 2009.

 

Metodologia Científica em Computação

A disciplina objetiva desenvolver habilidade para elaboração de artigos e projetos científicos na área de computação. Para isso, é importante que o aluno tenha ciência da importância dos principais elementos vinculados a pesquisa, desde a escolha do tema, definição do problema, revisão bibliográfica, execução da pesquisa até o processo de escrita propriamente dito. Ementa: (i) preparação da pesquisa; (ii) revisão bibliográfica; (iii) citações; (iv) escrita científica; (v) gráficos, figuras e tabelas; (vi) apresentações; (vii) formalização matemática e de algoritmos; (viii) planejamento de avaliação experimental e formulação de hipóteses; (ix) execução da pesquisa; (x) plágio; (xi) escrita em inglês.

  1. Justin Zobel. Writing for Computer Science . Springer, New York, NY, 3rd ed. 2014 edition edition, February 2015.
  2. Raul Wazlawick. Metodologia de Pesquisa para Ciência da Computação . Elsevier, edic~ao: 2 edition, September 2014.
  3. Hilary Glasman-Deal. Science Research Writing for Non-Native Speakers of English . Imperial College Press, London ; Hackensack, NJ, 1 edition edition, December 2009.

 

Métodos Estatísticos

Modelos probabilísticos e variáveis aleatórias unidimensionais e multidimensionais. Teorema de Bayes. Valores esperados e transformações de variáveis aleatórias. Teorema Central do Limite. Introdução aos métodos de análise de dados uni-variados e à inferência estatística. Estatísticas descritivas e métodos de análise exploratória de dados. Visão geral de técnicas de amostragem para a recolha de dados e introdução aos métodos de inferência estatística para a tomada de decisão, incluindo regressão linear simples, procedimentos de estimação usando intervalos de confiança e testes de hipóteses.

  1. Peter Dalgaard. Introductory Statistics with R . Springer, New York, 2nd edition edition, August 2008.
  2. Richard J. Larsen and Morris L. Marx. An Introduction to Mathematical Statistics and Its Applications . Prentice Hall, Upper Saddle River, N.J, 4 edition edition, December 2005.
  3. Ronald E Walpole. Probability & statistics for engineers & scientists . Prentice Hall, Boston, 2012.
  4. Jay L. Devore and Kenneth N. Berk. Modern Mathematical Statistics with Applications . Springer, New York ; London, 2nd ed. 2012 edition edition, December 2011.

 

Mineração de Dados

A mineração consiste no processo de extração de conhecimento a partir de dados. Os tópicos principais abordados neste curso incluem pré-processamento, classificação, agrupamento, regras de associação, anomalia e o processo de mineração de dados propriamente dito. A disciplina objetiva fornecer aos alunos as competências fundamentais necessárias para conduzir sua própria investigação em mineração de dados.

  1.  Mohammed J. Zaki and Wagner Meira Jr. Data Mining and Analysis: Fundamental Concepts and Algorithms . Cambridge University Press, May 2014.
  2. Ian H. Witten, Eibe Frank, and Mark A. Hall. Data Mining: Practical Machine Learning Tools and Techniques . Morgan Kaufmann, Burlington, MA, 3 edition edition, January 2011.
  3. Jiawei Han, Micheline Kamber, and Jian Pei. Data Mining: Concepts and Techniques . Morgan Kaufmann, Waltham, Mass., 3 edition edition, July 2011.
  4.  Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning: with Applications in R . Springer, 1st ed. 2013. corr. 4th printing 2014 edition edition, August 2013.
  5. Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction . Springer, 2nd ed. 2009. corr. 7th printing 2013 edition edition, April 2011.
  6. Bing Liu. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data . Springer, softcover reprint of hardcover 2nd ed. 2011 edition edition, August 2013.

 

Mineração de Processos

Conceitos sobre modelagem de processos de negócio (BPM). Modelos de processos e descoberta de processos de negócios. Diferentes tipos de modelos de processos. Técnicas de descoberta de processos e análise de conformidade. Enriquecimento de modelos de processos. Suporte operacional.

  1. VAN DER AALST, Wil. Process Mining: Data Science in Action. 2nd Springer-Verlag, 2016.
  2. MANS, Ronny S., VAN DER AALST, Wil, VANWERSCH, Rob, J. B. Process Mining in Healthcare: Evaluating and Exploiting Operational Healthcare Processes. Springer Cham Heidelberg, 2015.
  3. Beheshti, Seyed-Mehdi-Reza, Benatallah, Boualem, Sakr, Sherif, Grigori, Daniela, Motahari-Nezhad, Hamid Reza, Barukh, Moshe, Chai, Gater, Ahmed, Ryu, Seung Hwan. Process Analytics: Concepts and Techniques for Querying and Analyzing Process Data. Springer International Publishing, 2016.
  4. Burattin, Andrea. Process Mining Techniques in Business Environments: Theoretical Aspects, Algorithms, Techniques and Open Challenges in Process Mining (Lecture Notes in Business Information Processing). Series: Lecture Notes in Business Information Processing (Book 207). Springer; 2015.
  5. Provost, Foster, Fawcett, Tom. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O’Reilly Media, 2013.
  6. Han, Jiawei, Kamber, Micheline, Pei, Jian. Data Mining: Concepts and Techniques. 3rd edition. The Morgan Kaufmann Series in Data Management Systems, 2011.

 

Mineração de Textos

Visão geral de mineração de textos e aplicações. Processamento de linguagem natural e Representação de documentos. Processo de Descoberta de Conhecimento em Texto (KDT). Análise Exploratória de Texto. Pré-processamento de Texto: Stopwords; Stemming; Dicionário ou Thesaurus. Agrupamento e classificação de textos. Analise de sentimento e mineração de opiniões. Métricas de Avaliação.

  1. Ronen Feldman and James Sanger. The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press, edição: 1 edition, December 2006.
  2. Matthew L. Jockers. Text Analysis with R for Students of Literature. Springer, New York, July 2014.
  3. Anne Kao and Steve R. Poteet. Natural Language Processing and Text Mining. Springer London, edição: 1 edition, March 2007.
  4. Christopher Manning and Hinrich Schuetze. Foundations of Statistical Natural Language Processing. The MIT Press, Cambridge, Mass, 1 edition edition, June 1999.
  5. Charu Aggarwal and ChengXiang Zhai, editors. Mining Text Data. Springer, edição: 2012 edition, February 2012.
  6. Gary Miner, John Elder, IV, Andrew Fast, Thomas Hill, Robert Nisbet, and Dursun Delen. Practical Text Mining and Statistical Analysis for Nonstructured Text Data Applications. Academic Press, edição: 1 edition, January
    2012

 

Otimização por Metaheurísticas

Diversos problemas da computação recaem em explorar soluções em um espaço de busca não polinomial. Nesses cenários, heurísticas para encontrar soluções aproximadas são comummente empregadas. A disciplina inclui: (i) Introdução à análise de algoritmos e à teoria da complexidade; (ii) Heurísticas construtivas e algoritmos gulosos; (iii) Métodos de busca local; (iv) Metaheurísticas: fundamentos; (v) Algoritmo de recozimento simulado (simulated annealing); (vi) Busca tabu; (vii) Greedy randomized adaptive search procedures (GRASP); (viii) Algoritmos genéticos.

  1. Michael R. Garey and David S. Johnson. Computers and Intractability: A Guide to the Theory of NP-Completeness . W. H. Freeman, New York u.a, 1st edition edition edition, January 1979.
  2. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Cliord Stein. Introduction to Algorithms . The MIT Press, Cambridge, Mass, 3rd edition edition, July 2009.
  3. Nils J. Nilsson. Principles of Articial Intelligence . Springer, Berlin, softcover reprint of the original 1st ed. 1982 edition edition, April 2013.
  4. Ibrahim H. Osman and James P. Kelly, editors. Meta-Heuristics: Theory and Applications . Springer, Boston, 1996 edition edition, March 1996.

 

Pesquisa Operacional

A disciplina de pesquisa operacional pode ser entendida como matemática aplicada, onde se faz uso de modelos matemáticos, estatística e algoritmos para auxiliar na tomada de decisões. Tem associação forte aos problemas de Ciência da Computação, onde se tem como objetivo melhorar ou otimizar um determinado modelo. A disciplina inclui: (i) Introdução a programação linear (modelagem, solução gráfica, simplex e seus variantes); (ii) Introdução a programação inteira (Modelagem, Métodos de Resolução); (iii) Introdução a teoria de jogos e aos modelos de previsão; (iv) Introdução a cadeias de Markov e teoria das filas.

  1. Wayne L. Winston. Operations Research: Applications and Algorithms . Duxbury Press, Belmont, CA, 4 edition edition, July 2003.
  2. Mokhtar S. Bazaraa, John J. Jarvis, and Hanif D. Sherali. Linear Programming and Network Flows . Wiley, Hoboken, N.J, 4 edition edition, December 2009.
  3. Laurence A. Wolsey. Integer Programming . Wiley-Interscience, New York, 1 edition edition, September 1998.

 

Tópicos Especiais em Algoritmos

Desenvolvimento de algoritmos e análise de complexidade; métodos de indução matemática e projetos de algoritmos por indução; projetos de algoritmos eficientes em problemas de natureza computacional; algoritmos em grafos; abordagem de estruturas de dados elementares e avançadas; projeto e análise de algoritmos adaptativos.

  1. Cormen, T.H., Leiserson, C.E., Rivest, R.L., Stein, C., Algoritmos: teoria e prática. Tradução da 3ª Edição Americana, Elsevier Editora LTDA, 2012.

 

Tópicos Especiais em Gerência de Dados

Desenvolvimento de protótipos, algoritmos ou artefatos computacionais envolvendo gerência de dados de diferentes modelos e em diferentes escalas (incluindo Big Data) nos diferentes contextos de Ciência de Dados e de arquiteturas (centralizada, paralela e distribuída). Esses protótipos farão uso de um ou mais métodos especializados de gerência de dados em algum recorte de modelos de dados e domínios de aplicações.

  1. M. Tamer Ozsu and Patrick Valduriez. Principles of Distributed Database Systems. Springer, New York, 3rd Ed. 2011 Edition, March 2011.
  2. Peter Lake and Robert Drake. Information Systems Management in The Big Data Era. Springer, New York, Ny, 2014 Edition, January 2015.
  3. Vijay Srinivas Agneeswaran. Big Data Analytics Beyond Hadoop: Real-Time Applications With Storm, Spark, And More Hadoop Alternatives. Pearson Ft Press, Upper Saddle River, 1 Edition, May 2014.
  4. Aboul-Ella Hassanien, Ahmad Taher Azar, Vaclav Snasel, Janusz Kacprzyk, And Jemal H. Abawajy, Editors. Big Data in Complex Systems: Challenges And Opportunities. Springer, New York, 2015 Edition, January 2015.
  5. Tony Hey, Stewart Tansley, And Kristin Tolle, Editors. The Fourth Paradigm: Data-Intensive Scientic Discovery. Microsoft Research, Redmond, Washington, 1 Edition, October 2009.

 

Tópicos Especiais em Inteligência Computacional

Desenvolvimento de protótipos, algoritmos ou artefatos computacionais envolvendo características de aplicações de inteligência computacional (tais como mineração de dados, mineração de texto, mineração de processo, aprendizagem de máquina e aprendizagem estatística) associados a modelos de dados presentes na Ciência de Dados (tais como big data, séries temporais, séries espaço-temporais, streaming, imagens, textos) em domínios como, dentre outros, saúde, educação, economia, transportes, robótica, redes sociais, cognição e sentimentos. Esses protótipos farão uso de um ou mais métodos especializados de inteligência computacional em algum recorte destes modelos/domínios.

  1. Han, Jiawei, Kamber, Micheline, Pei, Jian. Data Mining: Concepts and Techniques. 3rd edition. The Morgan Kaufmann Series in Data Management Systems, 2011.
  2. Rutkowski, Leszek (2008). Computational Intelligence: Methods and Techniques. Springer. ISBN 978-3-540-76288-1.
  3. VAN DER AALST, Wil. Process Mining: Data Science in Action. 2nd edition. Springer-Verlag, 2016
  4. KAO, Anne; POTEET, Stephen; Natural language processing and text mining. London: Springer 2007. ISBN 184628175.

 

Tópicos Especiais em Modelagem

Técnicas de Modelagem; Técnicas de Simulação Computacional; Análise de Complexidade; Aplicações em Problemas de Engenharia e Ciências.

  1. Cormen, T.H., Leiserson, C.E., Rivest, R.L., Stein, C., Algoritmos: teoria e prática. Tradução da 3ª Edição Americana, Elsevier Editora LTDA, 2012.
  2. Shiflet, A.B., Shiflet, G.W. Introduction to Computational Science: Modeling and Simulation for the Sciences. Second Edition, Princeton University Press, 2014.

 

Tópicos Especiais em Multimídia

Esta disciplina cobre os tópicos mais relevantes do momento na área de multimídia. Ela discute os conceitos, características, padrões e requisitos da modelagem de aplicações multimídias em diferentes contextos, abrangendo, mas não limitado a: Internet das Coisas, Efeitos Sensoriais e áreas afins.

  1. YOON, Kyoungro et al. “MPEG-V: Bridging the Virtual and Real World”. Academic Press, 2015.
  2. FURHT, Borko (Ed.). “Multimedia Systems and Techniques”. Springer Science & Business Media, 2012.
  3. WALTL, Markus. “Enriching multimedia with sensory effects: annotation and simula- tion tools for the representation of sensory effects”. VDM Verlag, 2010.
  4. HALSALL, Fred. “Multimedia communications: Applications, networks, protocols and standards”. Pearson education, 2001.

 

Tópicos Especiais em Otimização

Abordagem de métodos exatos para a resolução de problemas de programação linear e não-linear; implementação de heurísticas e metaheurísticas para a resolução de problemas de natureza da Ciência da Computação;

  1. Glover, F., Kochenberger, G.A., Handbook of Metaheristics, Kluwer Academic Publishers, 2002.

 

Pesquisa para Dissertação de Mestrado

O estudante, após ser aprovado na disciplina Seminário para Dissertação de Mestrado, deve se inscrever na disciplina Pesquisa para Dissertação de Mestrado. O objetivo da disciplina é dar continuidade à elaboração da Dissertação de Mestrado. A disciplina não tem atribuição de crédito conforme especificado no projeto.

Seminário para Dissertação de Mestrado

A disciplina objetiva a elaboração e a apresentação de uma proposta de dissertação promovendo o seu aprimoramento e aperfeiçoamento até atingir condições para a qualificação. O aluno deverá elaborar e defender a Proposta de Dissertação de Mestrado durante a disciplina Seminário para Dissertação de Mestrado. A disciplina não tem atribuição de crédito conforme especificado no projeto.