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

A tabela seguir 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.

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
Ciência de Redes Específico 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
Programação Linear Específico 3
Tópicos Especiais em Algoritmos Específico 3
Tópicos Especiais em Aplicações Computacionais 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
Visualização de Dados Específico 3
Pesquisa para a Dissertação de Mestrado 0
Seminário para a Dissertação de Mestrado 0

Ementa das Disciplinas

Álgebra Linear Computacional

Aspectos fundamentais (produtos, normas, determinante, grafos, complexidade computacional). Modelagem por Sistemas Lineares. Análise de erro e condicionamento. Métodos Diretos na resolução de Sistemas Lineares (Eliminação Gaussiana, Decomposição). Métodos Iterativos: clássicos e não clássicos (Krylov). Estabilidade e Esparsidade. Autovalores e Autovetores. Análise de Componentes Principais (PCA). Decomposição SVD. Decomposição Tensorial. Multigrid. Técnicas de Paralelismo

  1. G. Golub & C. vanLoan, Matrix Computations; Johns Hopkins University Press (1996).
  2. L. Eldén. Matrix Methods in Data Mining and Pattern Recognition; SIAM (2019).
  3. D.S. Watkins. Fundamentals of Matrix Computation. Wiley-Interscience (2010).
  4. L. N. Trefethen and D. Bau. Numerical Linear Algebra; SIAM (1997)
  5. G. Strang. Linear Algebra and Learning from Data; Wellesley-Cambridge Press (2019).

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

Introdução à Teoria dos Grafos. Representação computacional: matriz e lista de adjacência, lista de incidência. Percursos em Grafos. Algoritmos  (BFS e DFS) e aplicações de Percursos em Grafos. Ordenação Topológica. Árvores: árvore geradora, problema da árvore geradora de custo mínimo, algoritmos de Prim, Kruskal, aplicações. Caminhos Mínimos: única origem (Bellman-Ford, Dijkstra), caminho mínimo várias origens (Floyd-Warshall). Algoritmos Gulosos. Programação Dinâmica. 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, July 2009.
  2. Robert Sedgewick and Kevin Wayne. Algorithms. Addison-Wesley Professional, Upper Saddle River, NJ, 4th edition, March 2011.
  3. Sanjoy Dasgupta, Christos Papadimitriou, and Umesh Vazirani. Algorithms. McGraw-Hill Education, Boston, 1 edition, September 2006.
  4. SZWARCFITER, J.L.; MARKENZON, L. Estrutura de dados e seus algoritmos. 3a edição. Rio de Janeiro: LTC Ed., 2010.
  5. BOAVENTURA NETTO, P.O. Grafos: teoria, modelos, algoritmos. 5a edição rev. ampl. São Paulo: E. Blucher, 2012.
  6. GOLDBARG, M.C.; GOLDBARG, E. Grafos: conceitos, algoritmos e aplicações. Rio de Janeiro: Elsevier, 2012.
  7. Algoritmos, S. Dasgupta, C. Papadimitriou, U. Varizani, McGraw-Hill, 2009.

Análise e Projeto de Algoritmos

Estruturas de dados, especificação de algoritmos, análise de complexidade computacional, bem como classes de problemas P e NP, Algoritmos Gulosos, Divisão e Conquista, Programação Dinâmica. São apresentados os métodos gerais de organização de dados: hashing, árvores, filas, listas, filas de prioridade.

  1. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to Algorithms. The MIT Press, Cambridge, Mass, 3rd edition, July 2009.
  2. Jon Kleinberg and Eva Tardos. Algorithm Design. Pearson, Boston, 1 edition, March 2005.
  3. Robert Sedgewick and Kevin Wayne. Algorithms. Addison-Wesley Professional, Upper Saddle River, NJ, 4th edition, March 2011.
  4. Donald E. Knuth. The Art of Computer Programming. Addison-Wesley Professional, Amsterdam, March 2011.
  5. Andrii Gakhov. Probabilistic Data Structures and Algorithms for Big Data Applications. Deutsche Nationalbibliothek, February 2019

Aplicações de Robótica

Fundamentos e Características Gerais da Robótica: robôs industriais e móveis; sensores, atuadores, manipuladores, motores e microcontroladores. Microcontroladores: tipos, características gerais, arquitetura e programação. Modelamento de Robôs Móveis: Robôs para obtenção de dados tratáveis. Estratégias para confecção de robôs móveis tipos VANTS (aéreos, marítimos ou terrestres): Robôs para obter dados relativos à agricultura, saúde, reconhecimento de padrões, entre outros. Robótica Educacional: Projetos de robôs educativos; análise de desempenho e qualitativa dos projetos de robôs educativos.

  1.  NIKU, S. B. (2020) Introduction to robotics analysis, systems, applications. 349 p. -10:1119527627, 3ª ed, Willey Pub.
  2. Almeida, R. (2016) Programação de Sistemas Embarcados: Linguagem C para microcontroladores, GEN-LTC,  .
  3. CRISP, J. (2004) Introduction to Microprocessors and Microcontrollers. 4a ed., Elsevier, 2010.
  4. SILVA R. B. & BLISKTEIN, P. (2019). Robótica Educacional: Compêndio de experiências inovadoras. Ed. Penso, SP.

Aprendizado de Máquina

Visão geral do Aprendizado de Máquina; Regressão linear; Regressão logística; kNN; Árvores de decisão; Avaliação de modelos; Seleção de modelos; Classificador Naive Bayes; Aprendizado de comitês (Bagging, Boosting, Stacked Generalization); Redes Neurais Artificiais (fundamentos, representação, algoritmo backpropagation, regularização, arquiteturas convolucionais, aplicações); Aprendizado por reforço; Agrupamento, Redução de dimensionalidade.

  1. Max Kuhn and Kjell Johnson, Feature Engineering and Selection: A Practical Approach for Predictive Models
  2. Jeremy Watt et al, Machine Learning Refined: Foundations, Algorithms, and Applications
  3. Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, 2019.
  4. Sebastian Raschka, Python Machine Learning, 3rd ed, Packt Publishing, 2019.
  5. Jake VanderPlas, Python Data Science Handbook, 2016.
  6. Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006. pdf github
  7. Ethen Alpaydin, Introduction to Machine Learning, MIT Press, 2010.
  8. Ian Goodfellow et al, Deep Learning, MIT Press, 2016.
  9. Tom Mitchell, Machine Learning, McGraw-Hill, 1997.
  10. Kevin P. Murphy. Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, MA, 1 edition edition, August 2012.
  11. Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data . Cambridge University Press, Cambridge ; New York, 1st edition, 2012.
  12. Christopher Bishop. Pattern Recognition and Machine Learning . Springer, New York, October 2007.
  13. 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
  14. Yaser S. Abu-Mostafa, Malik Magdon-Ismail, and Hsuan-Tien Lin. Learning From Data . AMLBook, S.l., March 2012.
  15. Brett Lantz. Machine Learning with R . Packt Publishing, Birmingham, October 2013.
  16. Simon O. Haykin. Neural Networks and Learning Machines . Prentice Hall, New York, 3 edition edition, November 2008.
  17. Ani Adhikari & John DeNero, Artificial Intelligence: Foundations of Computational Agents, second edition, Cambridge University Press, 2017.

Arquitetura de Computadores

Introdução à organização de computadores. Sistemas de numeração. Hierarquias de memória.  Unidade Central de Processamento: componentes, ciclo de instrução. Dispositivos de entrada e saída. Arquitetura de sistemas computacionais distribuídos: Tratamento de dados com Clusters, Arquitetura de computadores para Big Datas.

  1. Tanenbaum A. S. & Austin T. (2018). Structured Computer Organization. Willey, USA.
  2. Stallings. W. (2018) Computer Organization and Architecture: International, Willey Ed., 14 edition, USA.
  3. Hennessy, J. &  Patterson, D.. (2018) Computer Architecture: A Quantitative Approach. Morgan Kaufmann Publishers, Waltham, USA.

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. Modelos de dados de sistemas de bancos de dados: hierárquico, rede, relacional, orientado a objetos, e relacional-objeto. O modelo relacional: anomalias de atualização, dependências funcionais e formas normais. Álgebra relacional. Processamento e otimização de consultas. Projeto físico de banco de dados. Armazenamento e indexação. Transações e as propriedades ACID. Recuperação de falhas. Controle de Concorrência. Segurança em sistemas de bancos de dados relacionais. Sistemas de bancos de dados NoSQL: teorema CAP. modelos orientados a documentos, grafos, chave-valor e colunar. Conceitos de Big Data e dados de streaming. Análise de dados: data warehouses e sistemas OLAP. Conceitos básicos de sistemas de bancos de dados distribuídos e paralelos. NewSQL e Polystores.

  1. Ramez Elmasri, Shamkant B. Navathe. Fundamentals of Database Systems. 7th ed. Pearson, 2015.
  2. Abraham Silberschatz, Henry Korth, S. Sudarshan. Database System Concepts. 7th ed. McGraw-Hill Science/Engineering/Math, 2019.
  3. M. Tamer Özsu, Patrick Valduriez. Principles of Distributed Database Systems. 4th ed. Springer, 2019.
  4. Raghu Ramakrishnan and Johannes Gehrke. Database Management Systems. 4th ed. McGraw-Hill, 2014.
  5. Carlos Coronel, Steven Morris. Database Systems: Design, Implementation, & Management. 13th ed. Cengage, 2018.
  6. Peter Lake, Paul Crowther. Concise Guide to Databases: A Practical Introduction. Springer-Verlag London, 2013.

Ciência de Redes

Introdução e motivação. Representação e Classificação de redes complexas. Medidas para caracterização topológica de redes complexas: grau, coeficiente de aglomeração, número de ciclos, comprimento dos menores caminhos, motivos, medidas de centralidade, medidas espectrais, medidas hierárquicas, medidas fractais, estrutura de comunidades. Modelos e Algoritmos de Geração de Redes Complexas: grafos aleatórios, modelo small world, redes livre de escala, redes com estrutura hierárquica, modelo de configuração e métodos de amostragem. Medidas de robustez. Algoritmos: page-rank, grau de intermediação, detecção de comunidades, sincronização, falhas em cascata, caminhadas aleatórias. Processos dinâmicos em redes complexas: caminhadas aleatórias, falhas e ataques, falhas em cascata, comunicação e congestionamento, propagação de epidemias, propagação de opiniões, sincronização e dinâmica coletiva. Aplicações em Redes Complexas: Redes Sociais, World Wide Web, Bioinformática, Agricultura de precisão, Malhas rodoviárias, Processamento de Imagens, Reconhecimento de padrões e Machine Learning.

  1. Albert-Lázsló Barabási. Network Science. Cambridge University Press. 2016. Disponível em: http://networksciencebook.com/
  2. Eric D. Kolaczyk. Statistical Analysis of Network Data: Methods And Models. Springer-Verlag New York. 2009.
  3. David Easley and Jon Kleinberg. Networks, Crowds, and Markets. Cambridge University Press. 2010. Disponível em: http://www.cs.cornell.edu/home/kleinber/networks-book/networks-book.pdf
  4. Filippo Menczer and Santo Fortunato and Clayton A. Davis. A First Course in Network Science. Cambridge University Press. 2020.

Computação Paralela e Distribuída

Arquiteturas, sistemas, algoritmos, modelos de programação, linguagens e ferramentas de software. Os tópicos abordados incluem arquiteturas paralelas; sistemas de computação paralelo e distribuído, computação em nuvem e em grades; algoritmos distribuídos e paralelos, estruturas de dados e metodologias de programação; modelos de paralelização e distribuição (MPI, Map-Reduce, etc); análise de desempenho, e aplicações que envolvem análise de dados e workflows científicos.

  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 Scientific Computing. LuLu.com, Raleigh, N.C., January 2015.
  3. A. D. Kshemkalyani and M. Singhal. Distributed Computing Principles, Algorithms, and Systems. Cambridge University Press, 2008.
  4. Peter Pacheco. An Introduction to Parallel Programming. Morgan Kaufmann Publishers Inc., 1 edition, 2011.
  5. Nikos Antonopoulos and Lee Gillam. Cloud Computing: Principles, Systems and Applications. Springer, 2 edition, 2017. 
  6. 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, April 2015.
  7. K. G. Srinivasa and Anil Kumar Muppalla. Guide to High-Performance Distributed Computing: Case Studies with Hadoop, Scalding and Spark. Springer, New York, NY, 1 edition, February 2015.
  8. B.S.P. Mishra, S. Dehuri, E. Kim and G.-N Wang. Techniques and Environments for Big Data Analysis – Parallel, Cloud, and Grid Computing, Springer, 1 edition, 2016.
  9. Daniel C. M. de Oliveira, Ji Liu and Esther Pacitti. Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. Morgan-Claypool, 1 edition, 2019.

Fundamentos de Sistemas Multimídia

Introdução a sistemas multimídia. Apresentação do conceito de mídia, junto com sua representação para armazenamento e exibição. Técnicas de compressão com e sem perdas. Modelos e linguagens para autoria multimídia. Tópicos recentes em multimídia. Ciência de dados aplicada à multimídia.

  1. Multimedia Communications: Applications, Networks, Protocols, and Standards. F. Halsall, Addison-Wesley, 2000.
  2. MediaSync: Handbook on Multimedia Synchronization. Mario Montagud, Pablo Cesar, Fernando Boronat, Jack Jansen, Springer, 2018.
  3. Handbook of Data Compression. David Salomon, Giovanni Motta, Springer, 2010.
  4. MPEG-V: Bridging the Virtual and Real World. Yoon, Kyoungro, et al. Academic Press, 2015.
  5. LI, Ze-Nian; DREW, Mark S.; LIU, Jiangchuan. Fundamentals of multimedia. Upper Saddle River (NJ):: Pearson Prentice Hall, 2004.

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, 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. Hrushikesha Mohanty, Prachet Bhuyan, and Deepak Chenthati, editors. Big Data: A Primer. Springer, New York, NY, 2015 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, 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, June 2015.
  8. Tony Hey, Stewart Tansley, and Kristin Tolle, editors. The Fourth Paradigm: Data-Intensive Scientific Discovery. Microsoft Research, Redmond, Washington, 1 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 à pesquisa, desde a escolha do tema, definição do problema, revisão bibliográfica, execução da pesquisa até o processo de escrita propriamente dito. Ementa: (i) introdução e caracterização da pesquisa em Ciência da Computação; (ii)  etapas da pesquisa; (iii) revisão bibliográfica; (iv) citações de trabalhos e plágio; (v) elaboração de apresentações; (vi) escrita científica; (vii) gráficos, diagramas e tabelas; (viii) formalização matemática e de algoritmos; (ix) avaliação experimental. 

  1. Justin Zobel. Writing for Computer Science. Springer, New York, NY, 3rd ed. 2014 edition, February 2015.
  2. Raul Wazlawick. Metodologia de Pesquisa para Ciência da Computação. Elsevier, 2 edição, September 2014.
  3. Hilary Glasman-Deal. Science Research Writing for Non-Native Speakers of English. Imperial College Press, London; Hackensack, NJ, 1 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 univariados 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, 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, 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, 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, January 2011.
  3. Jiawei Han, Micheline Kamber, and Jian Pei. Data Mining: Concepts and Techniques. Morgan Kaufmann, Waltham, Mass., 3 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, 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, April 2011.
  6. Bing Liu. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. Springer, softcover reprint of hardcover 2nd ed. 2011 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 dados textuais. Processo de Descoberta de Conhecimento em Texto (KDT). Análise Exploratória de Texto. Pré-processamento de Texto: Tokenization; Stopwords; Stemming; Dicionário ou Thesaurus. Agrupamento e classificação de textos. Análise de sentimento e mineração de opiniões. Métricas de Avaliação.

  1. Charu C. Aggarwal. Machine Learning for Text. Springer International Publishing, 1st edition, April 2018.
  2. Dipanjan Sarkar. Text Analytics with Python: A Practitioner’s Guide to Natural Language Processing. Apress, 2nd edition, May 2019.
  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, June 1999.
  5. Bing Liu. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 1st edition, June 2015.
  6. Charu Aggarwal and ChengXiang Zhai, editors. Mining Text Data. Springer, edição: 2012 edition, February 2012.
  7. Daniel Jurafsky, James Martin. Speech and Language Processing, 2nd edition, Prentice Hall. May 2008.
  8. Kamath, Uday, John Liu, and James Whitaker. Deep learning for nlp and speech recognition. Vol. 84. Springer, 2019.

Otimização por Metaheurísticas

Introdução à Complexidade Computacional de Problemas e Algoritmos, Fundamentos de modelagem (Caracterização de problemas de otimização; Representação de soluções; Construção de soluções: soluções parciais e incompletas.), Heurísticas (Heurísticas construtivas: Intuição e seu papel na construção de uma solução, algoritmos gulosos, algoritmos gulosos probabilísticos, métodos do tipo multi-start, avaliação da qualidade; Métodos de busca local: Vizinhança e topologia do espaço de busca, análise de complexidade, heurísticas de melhoria (Hill Climbing); Métodos de busca larga: Destruir-e-reconstruir, cadeias de ejeção, set-covering.) e Metaheurísticas (Conceito de Metaheurística; Classificação de Metaheurísticas;Metaheurísticas Iterativas: Greedy Randomized Adaptive Search Procedure (GRASP), Iterated Local Search (ILS), Busca em Vizinhança Variável (Variable Neighborhood Search – VNS), Recozimento Simulado (Simulated Annealing – SA), Busca Tabu (Tabu Search – TS), Reconexão por Caminhos (Path Relinking – PR); Metaheurísticas Populacionais: Algoritmos Genéticos (Genetic Algorithms – GA), Colônias de Formigas (Ant Colony Optimization – ACO), Enxame de Partículas (Particle Swarm Optimization – PSO); Metodologias e processos de avaliação de Metaheurísticas; Condução de experimentos computacionais em Metaheurísticas.).

  1. Gendreau, Michel; Jean-Yves, Potvin. Handbook of metaheuristics. Vol. 3. Springer, 2019.
  2. Talbi, El-Ghazali. Metaheuristics: from design to implementation. Vol. 74. John Wiley & Sons, 2009.
  3. Talbi, El-Ghazali. Hybrid metaheuristics. Vol. 166. Berlin Heidelberg: Springer, 2013.
  4. Cormen, Thomas H., et al. Introduction to algorithms. MIT press, 2009.

Programação Linear

Introdução à Programação Linear: Conceito fundamentais; Variantes do problema de programação linear: forma padrão, forma canônica, redução para forma padrão, exemplos de PPL; Modelagem: conceitos, etapas da formulação de um modelo matemático, exemplos; Representação e solução gráfica; Geometria de PL: conceitos e definições, poliedros, hiperplanos, semi-espaços, conjuntos convexos, pontos extremos, solução básica viável, degenerescência, otimalidade de pontos extremos; Condições de otimalidade. Método Simplex: O Método Simplex e Simplex Revisado; Métodos de obtenção de soluções básicas iniciais viáveis (Método das Duas Fases, M-Grande); Degeneração e ciclagem; Regras de pivoteamento. Dualidade em Programação Linear: Introdução à Teoria da Dualidade: problema dual, teorema da dualidade; Teorema da Existência; Teorema Fraco das Folgas Complementares; Teorema Forte das Folgas Complementares; Interpretação Econômica da Dualidade; Método Simplex Dual. Análise de Sensibilidade em Programação Linear.

  1. Bertsimas, D. and Tsitsiklis, J. N. Introduction to Linear Optimization. 1997.
  2. Chvatal, Linear Programming, W.H. Freeman, New York, 1983
  3. Bazaraa, M. S. and Jarvis, J. J. and Sherali, H. D. Linear Programming and Network Flows. 2010.
  4. Hillier e Lieberman, Introdução à Pesquisa Operacional,
  5. Goldbarg, M. C. e Luna, H. P. Otimização Combinatória e Programação Linear. 2.ed. 2005.
  6. McGraw-Hill, 2006 Arenales, Armentano, Morabito, Yanasse, Pesquisa Operacional, Editora Campus.

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 Aplicações Computacionais 

Desenvolvimento de protótipos ou artefatos computacionais ou modelos teóricos. Aplicações em áreas fim, tais como engenharias, ciências exatas, biológicas, humanas, economia ou ciências ambientais.

  1. Raul Wazlawick. Metodologia de Pesquisa para Ciência da Computação. Elsevier, 2 edição, September 2014.

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 Scientific 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 simulation 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

Abordagens através de métodos exatos para a solução de problemas de programação linear e não-linear; implementação de heurísticas e metaheurísticas para a solução de problemas, de grande porte, em diversas áreas de aplicação.

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

Visualização de Dados

Fundamentos de visualização de dados, a percepção de variáveis discretas e contínuas, modelos de visualização, gráficos dinâmicos, modelo de visualização de agrupamentos. A disciplina inclui a concepção e o desenvolvimento de representações visuais e complementares de modo a apoiar a resposta à perguntas, tomada decisões e percepção de evidências apoiadas pelos dados, sendo uma ferramenta de suporte à Análise de Dados (Data Analytics).

  1. Thomas A. Runkler. Data Analytics: Models and Algorithms for Intelligent Data Analysis. Vieweg+Teubner Verlag, Wiesbaden; New York, 2012 edition, September 2012.
  2. Alexandru C. Telea. Data Visualization: Principles and Practice, Second Edition. A K Peters/CRC Press, Boca Raton, 2 edition, September 2014.
  3. Andy Kirk. Data Visualization: a successful design process. Packt Publishing, Birmingham, December 2012.
  4. Nathan Yau. Visualize This: The FlowingData Guide to Design, Visualization, and Statistics. Wiley, Indianapolis, Ind, 1 edition, July 2011.
  5. Nathan Yau. Data Points: Visualization That Means Something. Wiley, 1 edition, April 2013.
  6. Alex Wright. Big Data Meets Big Science. Commun. ACM, 57(7):13–15, July 2014.
  7. Katy B ̈orner and David E. Polley. Visual Insights: A Practical Guide to Making Sense of Data. The MIT Press, Cambridge, Massachussetts, January 2014.
  8. Leland Wilkinson, D. Wills, D. Rope, A. Norton, and R. Dubbs. The Grammar of Graphics. Springer, New York, 2nd edition, July 2005.

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.