Faculdade Tecnologia e Inovação
SENAC DF
Ciência de Dados e Inteligência Artificial
Graduação em Inteligência Artificial e Machine Learning
Prof.ª Maristela Oliveira
Plano de Ensino
Ementa da Disciplina
Esta disciplina oferece uma visão integrada dos principais conceitos e fundamentos que sustentam a Inteligência Artificial e a Ciência de Dados na prática contemporânea.
Fundamentos de IA e ML
Conceitos centrais de IA e Ciência de Dados, com introdução às técnicas de Machine Learning supervisionado, não supervisionado e por reforço.
Algoritmos e Modelos
Estudo de algoritmos para análise de dados e construção de sistemas inteligentes, incluindo fundamentos de Deep Learning e redes neurais artificiais.
Metodologia e Ética
Aplicação da metodologia CRISP-DM em projetos reais e discussão crítica sobre aspectos éticos, sociais e legais do uso da Inteligência Artificial.
Objetivo Geral
Compreender os fundamentos da Ciência de Dados e da Inteligência Artificial, aplicando técnicas de Machine Learning e análise de dados para resolver problemas reais, considerando aspectos técnicos, metodológicos e éticos envolvidos no desenvolvimento de sistemas inteligentes.
O curso integra teoria e prática, preparando o estudante para atuar com autonomia em projetos de dados do mundo real — desde a coleta e preparação de dados até a avaliação de modelos e reflexão sobre seus impactos.
Objetivos Específicos
Ao final da disciplina, espera-se que o estudante seja capaz de dominar as seguintes competências técnicas e analíticas:
01
Conceitos Fundamentais
Compreender os conceitos centrais de Inteligência Artificial, Ciência de Dados e os tipos de aprendizagem em Machine Learning.
02
Manipulação de Dados
Manipular e analisar conjuntos de dados utilizando ferramentas computacionais modernas, com foco em Python e suas bibliotecas.
03
Aplicação de Algoritmos
Aplicar algoritmos de aprendizagem supervisionada e não supervisionada, avaliando o desempenho dos modelos gerados.
04
Deep Learning e CRISP-DM
Compreender fundamentos de redes neurais e aplicar a metodologia CRISP-DM em projetos completos de Ciência de Dados.
05
Ética e Impactos
Analisar criticamente questões éticas relacionadas ao uso da Inteligência Artificial no contexto social, legal e organizacional.
Competências Desenvolvidas
Fundamentos de IA
Compreender e aplicar conceitos de IA e Ciência de Dados para análise e tomada de decisão baseada em dados.
Análise de Dados
Extrair informações relevantes de conjuntos de dados utilizando ferramentas e bibliotecas de programação Python.
Modelagem ML
Desenvolver e avaliar modelos de Machine Learning para classificação, regressão e agrupamento de dados.
Trabalho Colaborativo
Atuar de forma colaborativa na resolução de problemas complexos, refletindo sobre impactos éticos e sociais da IA.
Metodologia
A disciplina adota metodologias ativas de aprendizagem, integrando teoria, prática e desenvolvimento de projetos para estimular o pensamento crítico e a autonomia dos estudantes.
Aulas Dialogadas
Exposição de conceitos fundamentais com espaço para discussão e questionamento, promovendo engajamento ativo.
Práticas em Laboratório
Atividades hands-on com Python e bibliotecas de Ciência de Dados, aplicando conceitos em conjuntos de dados reais.
Estudos de Caso
Análise de aplicações reais de IA, conectando teoria à prática profissional e aos desafios do mercado atual.
Debates Éticos
Discussões estruturadas sobre aspectos éticos, sociais e legais da IA, desenvolvendo postura crítica e responsável.
Conteúdo Programático
Estrutura do Curso: 6 Unidades
O curso é estruturado em seis unidades progressivas, do entendimento conceitual ao desenvolvimento de projetos completos e à reflexão crítica sobre o impacto social da Inteligência Artificial.
Unidade 1 — Fundamentos de IA e Ciência de Dados
Inteligência Artificial
- Conceitos e histórico da IA
- Diferença entre IA, ML e Deep Learning
- Principais aplicações no mundo real
Ciência de Dados
- Conceitos e papel do Cientista de Dados
- Tipos de dados e qualidade de dados
- Introdução à análise exploratória (EDA)
Esta unidade estabelece a base conceitual que orientará todo o percurso da disciplina, diferenciando com clareza os campos da IA e da Ciência de Dados.
Unidade 2 — Fundamentos de Machine Learning
Nesta unidade os estudantes exploram o pipeline completo de Machine Learning, desde a compreensão do problema até a avaliação dos modelos gerados.
1
Conceito e Pipeline
Introdução ao ML e ao fluxo de trabalho de um projeto: coleta, preparação, modelagem e avaliação.
2
Tipos de Aprendizagem
Aprendizagem supervisionada, não supervisionada e por reforço — diferenças, usos e exemplos práticos.
3
Algoritmos e Avaliação
Classificação, regressão e métricas de avaliação de modelos como acurácia, precisão, recall e F1-score.
Unidade 3 — Aprendizagem Não Supervisionada
Clusterização
Agrupamento de dados sem rótulos utilizando algoritmos como K-Means, DBSCAN e Hierarchical Clustering.
Redução de Dimensionalidade
Técnicas como PCA (Análise de Componentes Principais) para simplificar dados de alta dimensão.
Descoberta de Padrões
Identificação de estruturas ocultas em grandes volumes de dados sem supervisão humana direta.
Unidade 4 — Introdução ao Deep Learning
Redes Neurais Artificiais
Inspiradas no funcionamento do cérebro humano, as redes neurais são compostas por camadas de neurônios artificiais interconectados.
- Perceptron e o neurônio artificial
- Estrutura: camadas de entrada, ocultas e saída
- Funções de ativação (ReLU, Sigmoid, Softmax)
Treinamento de Redes
O processo de treinamento ajusta os pesos da rede para minimizar o erro nas previsões.
- Introdução ao backpropagation
- Gradiente descendente
- Overfitting e técnicas de regularização
Unidade 5 — Desenvolvimento de Projetos com CRISP-DM
A metodologia CRISP-DM (Cross-Industry Standard Process for Data Mining) estrutura o desenvolvimento de projetos em Ciência de Dados de forma iterativa e orientada a resultados, desde a definição do problema até a interpretação e comunicação dos resultados.
Unidade 6 — Ética e Impactos da Inteligência Artificial
Viés em Algoritmos
Como dados tendenciosos geram modelos discriminatórios e como identificar e mitigar esses problemas.
IA Responsável
Princípios de transparência, explicabilidade e responsabilidade no desenvolvimento de sistemas inteligentes.
Privacidade e Dados
Proteção de dados pessoais, LGPD e os desafios de privacidade no contexto de Big Data e IA.
Impactos Sociais
Transformações no mercado de trabalho, desigualdades digitais e o papel da IA na sociedade contemporânea.
Sistema de Avaliação
O desempenho escolar é regulamentado por disciplina, incidindo sobre a frequência e o aproveitamento do estudante.
Critério de Frequência
Mínimo de 75% das aulas e atividades programadas para a disciplina.
Critério de Aproveitamento
Média Final (MF) igual ou superior a 6,0 (seis).
Apenas estudantes que atenderem a ambos os critérios de frequência e aproveitamento serão considerados aprovados na disciplina.
Cálculo do Aproveitamento Escolar
O aproveitamento é avaliado continuamente, considerando avaliações parciais (Média Parcial - MP) e uma avaliação final (Média Final - MF), expressas em notas de 0 a 10.
- Nota do Bimestre (NP): Composta por, no mínimo, uma prova e atividades práticas avaliativas.
- Composição da NP do 2º Bimestre: 2,0 Avaliação Integrada + 1,0 Participação na Jornada Interdisciplinar + 7,0 Prova e/ou Atividades Avaliativas.
A Média Final (MF) inicial é a média aritmética das Médias Parciais:
Se MF igual ou superior a 6,0, o estudante é aprovado.
Se MF inferior a 6,0 e igual ou superior a 2,0, o estudante realizará Prova Final (PF) no valor de 10,0. Neste caso, a MF será recalculada:
Bibliografia da Disciplina
📚 Bibliografia Básica
GÉRON, Aurélien. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow. O'Reilly Media.
RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. Pearson.
MÜLLER, Andreas; GUIDO, Sarah. Introduction to Machine Learning with Python. O'Reilly Media.
📖 Bibliografia Complementar
GOODFELLOW; BENGIO; COURVILLE. Deep Learning. MIT Press.
JAMES; WITTEN; HASTIE; TIBSHIRANI. An Introduction to Statistical Learning. Springer.
PROVOST, Foster; FAWCETT, Tom. Data Science for Business. O'Reilly Media.
DOMINGOS, Pedro. The Master Algorithm. Basic Books.
Cronograma Detalhado
Distribuição das Aulas
O curso é dividido em 18 encontros, cobrindo cada unidade temática de forma prática e aprofundada, culminando no desenvolvimento e apresentação de projetos reais.
1
Unidade 1: Fundamentos (Encontros 1-4)
Introdução à IA e Ciência de Dados, estudo de caso e fundamentos de Python e EDA.
2
Unidade 2: Machine Learning (Encontros 5-9)
Exploração do pipeline de ML, aprendizagem supervisionada e implementação de algoritmos de classificação e regressão.
3
Unidade 3: Aprendizagem Não Supervisionada (Encontros 10-12)
Descoberta de padrões em dados sem rótulos e aplicação de algoritmos de clustering e redução de dimensionalidade.
4
Unidade 4: Deep Learning (Encontros 13-14)
Introdução às Redes Neurais Artificiais e implementação de modelos de Deep Learning.
5
Unidade 5: Projetos com CRISP-DM (Encontros 15-16)
Planejamento e desenvolvimento de projetos de Ciência de Dados usando a metodologia CRISP-DM.
6
Unidade 6: Ética e Apresentação (Encontros 17-18)
Debate sobre ética na IA e apresentação dos projetos finais desenvolvidos pelos alunos.
Bons Estudos!
Esta disciplina é uma porta de entrada para um dos campos mais dinâmicos e impactantes da tecnologia contemporânea. Aproveite cada aula, cada prática e cada debate para construir uma base sólida em Ciência de Dados e Inteligência Artificial.
Dúvidas e sugestões são sempre bem-vindas. O aprendizado é construído coletivamente — sua participação faz a diferença!