Gestão de mídias sociais. O analista de mídias sociais. Planejamento das mídias sociais. Netnografia e o comportamento do consumidor nas mídias sociais. Monitoramento das mídias sociais. Planejamento e gestão de web marketing. Gestão de conteúdo. Arquitetura da informação para mídias sociais. Inovação e Empreendedorismo digital. Análise de métricas. Otimização de sites. SEO (Search Engine Optimization). Google Analytics. Facebook marketing. Segurança da informação. Privacidade na rede. Ética comportamental. Como utilizar/minerar as Redes Sociais. Algoritmos e Prática de Análise de Redes Sociais.

Extração de dados de redes sociais em tempo real utilizando APIs como Twitter, Facebook and LinkedIn Análise de Sentimentos. Detecção de Comunidades. Análise de Vínculos/Grafos (Link/Graph Analysis). PageRank. Hubs and Authorities. SPARQL and Relational Algebra for Graph Query. Visualização de grafos de redes sociais - Gephy

Introdução ao Big Data, Componentes de Big Data, Introdução ao Hadoop, Aplicações de Hadoop e HDFS, Framework Hadoop MapReduce, Componentes do Hadoop, Introdução ao Spark, Bases de dados distribuídas resilientes, Programação de Aplicações em Spark, Configuração, Monitoramento e Ajustes em Ambientes Spark.

Otimização não linear, redes neurais, otimização e incerteza, programação linear, simulação de Monte Carlo, análise de desempenho comparado (DEA), redes neurais, sistemas dinâmicos, otimização não linear, comparação de métodos evolutivos x algoritmos de início múltiplo, Bootstrapping, aplicações: lançamento de novos produtos, evolução de market-share, gestão de incerteza, otimização, método neutro em relação ao risco, fórmula de Black-Scholes, precificação por simulação de Monte Carlo, precificação pelo método binomial. Opção de organização de cenários futuros.

Problemas, dados, ferramentas. Overfitting. Complexidade, treinamento, validação de dados de teste. Problemas de classificação. Fronteiras de decisão. Métodos de vizinhos mais próximos. Probabilidade e classificação 6. Naïve Bayes, distribuições. Classificadores lineares. Redução de Dimensionalidade: PCA e LDA. Algoritmos evolucionários. Redes neurais. Métodos de ensemble: bagging e boosting Validação e comparação de algoritmos. Validação cruzada, testes de Wilcoxon e Friedman, correção de Bonferroni-Dunn. Aprendizado não supervisionado: clustering, k-médias. Representações textuais e modelos multinomiais; clustering e espaços latentes. Dimensão VC, minimização do risco, métodos de classificação baseados em margens. Support Vector Machines para uma, duas ou mais classes.

Armazenamento de large-scale collections. Teoria e prática na recuperação de informações em ambiente de Big Data. Extração de dados, sua transformação e seu carregamento de data warehouses. Métodos tradicionais de recuperação de informação. Gerenciamento de banco de dados. Gerenciamento de dados complexos: Dados multimídia; Dados geográficos; Dados temporais; Computação paralela massiva usando MapReduce/Hadoop. Obtendo e "limpando" dados. Arquitetura de Data warehouse. Arquitetura de Cloud Computing. Inserção de dados.

Governança, Risco e Compliance Estruturas e Modelos de Governança Padrões e Regulamentações (ISO 38500, ISO 15504, ISO 27001, ISO 27002, ISO 27014, COBIT 5, BACEN 4.658 e PCI-DSS) Estrutura e papéis de uma área de Cibersegurança Ferramentas de apoio à Governança Natureza Bimodal da Gestão dos Negócios e da TI Sourcing de Serviços de Segurança da Informação OPBOK - Outsourcing Professional Body of Knowledge RFP - Processo, Estrutura, Seleção, Negociação e Contratação de Serviços SI. Marcos regulatórios no Brasil e no mundo. Investigação dos Crimes eletrônicos no ambiente corporativo (interceptação de dados, ata notarial, ransomware e concorrência desleal) Responsabilidades civil, criminal e trabalhista Regulamentos Internos em Cibersegurança Privacidade e Proteção de Dados (GDPR e LDPD) Direito em Inteligência Artificial e IoT. Uso de Inteligência Artificial aplicada à segurança, Regulamentação das Moedas eletrônicas e blockchain.

1. O Trabalho Científico.

1.1 Os conceitos básicos em Metodologia.

1.2 As formas básicas de apresentação do trabalho acadêmico: resumo, fichamento, resenha, seminários.

1.3 Os referenciais bibliográficos: citações, notas de rodapé, bibliografia.

2. As Concepções Teóricas do Conhecimento.

2.1 O fenômeno do conhecimento.

2.2 As formas principais do conhecimento.

2.3 A ciência moderna e o método científico

2.4 Método Científico e as vias de raciocínio lógico.

3. A Pesquisa Científica: Natureza Teórica-Prática.

3.1 Conceito, fases e modalidade de pesquisa.

3.2 Hipóteses, variáveis e indicadores sociais.

3.3 As Técnicas Quantitativas e Qualitativas de Pesquisa.

4. As Fases da Pesquisa Científica.

4.1 Elementos constitutivos do Projeto de Pesquisa.

4.1.1 O Pré-Projeto: escolha do assunto, seleção e delimitação do tema, problematização do objeto de pesquisa; revisão da literatura; elaboração de hipótese ou questões.

4.1.2 O Projeto de Pesquisa: tema, problemática, justificativa, objetivos, metodologia, recursos, cronograma de execução, bibliografia e anexos.

4.1.3 Redação do texto científico - Relatório final de pesquisa (TCC, Monografia etc.): elementos gráficos gerais: elementos pré-textuais e anexos.

Utilização integrada do conteúdo apresentado nas disciplinas do curso, no segundo semestre.

Entrega de incrementos funcionais relativos às disciplinas do 2º semestre do Curso.

Produção e customização do conteúdo de um produto a ser entregue pelos alunos ao término do semestre.

Utilização integrada do conteúdo apresentado nas disciplinas do curso, no segundo semestre.

Entrega de incrementos funcionais relativos às disciplinas do 3º semestre do Curso.

Produção e customização do conteúdo de um produto a ser entregue pelos alunos ao término do semestre.

Introdução a Banco de Dados (BD), Conceitos de BD e histórico, Modelos de BD, BD Modelo.

Relacional, SQL básico, NoSQL.

Linguagem R.

Data Types, Subsetting, Vectorization, Reading and Writing Data, Control Structures, Functions,

(lapply, apply, tapply), Debugging, Charts (base graphics, lattice), Machine Learning packages for R,

Linguagem Python, Language basics, IPython / Anaconda, NumPy, ScyPy, pandas, scikit-learn,

matplotlib.

Riscos em Segurança da Informação (ISO 27005) Risk Best Practices (COSO, NIST, CRAMM, ITScore, FRAP).

Estrutura e papéis de uma área de Cibersegurança Ferramentas de apoio à Governança.

Simulação de ataques em laboratório virtual.

Investigação dos Crimes eletrônicos no ambiente corporativo (interceptação de dados, ata notarial, ransomware).

Aborda o estudo e a aplicação de princípios e técnicas para lidar com sistemas complexos em diversas áreas do conhecimento, incluindo ciência, engenharia, economia, ecologia e ciências sociais.

1. Introdução à complexidade:

 Definição de sistemas complexos.

 Características e propriedades de sistemas complexos.

 Diferenças entre sistemas complexos e sistemas complicados.

2. Teoria de sistemas complexos:

 Princípios da teoria de sistemas.

 Noções de auto-organização e emergência.

 Redes complexas e teoria dos grafos.

 Modelagem matemática de sistemas complexos.

3. Abordagens para análise de sistemas complexos:

 Simulação de sistemas complexos.

 Métodos computacionais para modelagem e análise.

 Análise de redes e propriedades topológicas.

 Análise de comportamento dinâmico.

4. Dinâmica não linear:

 Conceitos de dinâmica caótica.

 Bifurcações e pontos de instabilidade.

 Atratores caóticos e atratores estranhos.

5. Autômatos celulares e autômatos probabilísticos:

 Fundamentos de autômatos celulares.

 Aplicações em simulações e modelagem de sistemas complexos.

6. Complexidade em sistemas biológicos:

 Modelagem de sistemas biológicos complexos.

 Aplicações em biologia de sistemas.

7. Complexidade em sistemas sociais e econômicos:

 Dinâmica de populações.

 Comportamento coletivo e teoria dos jogos.

 Economia de sistemas complexos.

8. Aplicações em engenharia e tecnologia:

 Aplicação da teoria de complexidade em engenharia civil, elétrica, mecânica, etc.

 Sistemas adaptativos e controle em tempo real.

9. Desafios e questões éticas:

 Complexidade e sustentabilidade.

 Aspectos éticos e sociais da aplicação da engenharia da complexidade.

1: Introdução à Engenharia Econômica e Conceitos Básicos

1. Apresentação do curso e seus objetivos.

2. Introdução à Engenharia Econômica e sua importância na tomada de decisões em TI.

3. Conceitos fundamentais: valor do dinheiro no tempo, juros simples e compostos.

4. Cálculos básicos de juros simples e compostos.

5. Exercícios práticos para fixação dos conceitos.

2: Avaliação de Investimentos em TI

1. Métodos de avaliação de projetos de investimento em TI.

2. Valor Presente Líquido (VPL) e sua aplicação em projetos de TI.

3. Taxa Interna de Retorno (TIR) e sua interpretação.

4. Payback: análise do período de retorno.

5. Comparação de métodos e suas limitações.

6. Exemplos de aplicação em projetos de TI.

3: Análise de Custos e Benefícios em Projetos de TI

1. Identificação de custos diretos e indiretos em projetos de TI.

2. Mensuração de benefícios tangíveis e intangíveis.

3. Custos de manutenção e operação de sistemas de TI.

4. Custo total de propriedade (TCO) e sua relevância.

5. Caso de estudo: análise de custos e benefícios em migração de sistemas.

4: Riscos e Incertezas em Investimentos de TI

1. Noções de risco e incerteza em projetos de TI.

2. Análise de sensibilidade: como variações nas premissas afetam os resultados.

3. Análise de cenários: considerando diferentes possibilidades.

4. Valor Esperado: como incorporar probabilidades na análise.

5. Exemplos de aplicação em projetos de TI sujeitos a incertezas.

5: Estudos de Caso e Encerramento

1. Apresentação de estudos de caso reais de projetos de TI.

2. Discussão dos desafios enfrentados e das decisões tomadas.

3. Exercício prático de análise econômica de um projeto fictício de TI.

4. Resumo dos principais conceitos abordados durante o curso.

5. Reflexão sobre a importância da Engenharia Econômica na área de TI.

6: Tomada de Decisão e Investimentos Futuros em TI (3 horas)

1. Revisão dos métodos de avaliação de investimentos (VPL, TIR, Payback, etc.).

2. Análise de projetos mutuamente exclusivos: como escolher entre diferentes opções.

3. Investimentos contínuos em TI: considerando atualizações e evolução tecnológica.

4. Estimando taxas de crescimento e mudanças nas premissas.

5. Estudo de caso: escolha entre a atualização de um sistema existente e a implementação de um novo sistema.

Estatística:

Definições estatísticas básicas; tipos de variáveis, população, amostra, parâmetro, estimativa, matriz de dados, índices, escalas e indicadores estatísticos; atribuição de pontos em escalas, validade de índices; principais indicadores estatísticos; indicadores eleitorais, educacionais, sócio-demográficos, tipologias. Produção de questionários e definição de amostras; o que é um survey, tipos de surveys, estrutura do questionário, pré-teste, produção de questionário de opinião pública. Pesquisa quantitativa em fontes primárias meios digitais. Medidas de tendência central e variabilidade; médias, mediana, moda; Medidas de posição; coeficiente de variação, medidas de assimetria ou curtose; coeficientes de correlação; coeficientes de determinação; coeficientes de alienação; Conceito de probabilidade; intervalo de confiança; hipóteses estatísticas; nível de significância; provas de independência; análise de variância; comparações múltiplas.

Introdução à Inteligência Artificial (IA): Conceitos. Evolução histórica. Aplicações e perspectivas.

Métodos de busca: Busca cega. Busca heurística. Busca competitiva. Representação do conhecimento: Formalismos de representação do conhecimento. Sistemas baseados em conhecimento. Paradigmas de programação: Lógico. Funcional. Aprendizado supervisionado. Aprendizado não-supervisionado. Aplicações de IA. Processamento de linguagens naturais. Jogos. Robótica. Mineração de Dados.

1: Introdução à Liderança Executiva na TI

 O papel crucial da liderança na indústria de TI.

 Desafios e tendências específicas da liderança em TI.

 Liderança técnica e estratégica: equilíbrio necessário.

 Adaptação de estilos de liderança ao contexto da TI.

2: Habilidades de Comunicação Eficaz na TI

 Comunicação clara e concisa com equipes técnicas e não técnicas.

 Gerenciamento de expectativas em projetos de TI.

 Comunicação de objetivos técnicos para partes interessadas.

 Uso de ferramentas de comunicação na era digital

3:Inteligência Emocional para Líderes de TI

 Autoconhecimento e autogerenciamento emocional.

 Empatia com as complexidades emocionais da equipe de TI.

 Construção de relacionamentos sólidos em um ambiente técnico.

 Resolução de conflitos com sensibilidade emocional.

4: Tomada de Decisão Estratégica em TI

 Tomada de decisão baseada em dados e análise.

 Avaliação de riscos tecnológicos e comerciais.

 Escolha de tecnologias e abordagens alinhadas aos objetivos.

 Decisões ágeis em um ambiente tecnológico em constante mudança.

5: Persuasão e Influência em Projetos de TI

 Técnicas de persuasão para diferentes públicos na área de TI.

 Influenciando a adoção de novas tecnologias e ideias.

 Negociação eficaz de recursos e prazos em projetos técnicos.

 Lidando com resistência à mudança em contextos técnicos.

6: Gestão de Conflitos em Equipes de TI

 Conflitos técnicos e interpessoais: identificação e resolução.

 Construção de colaboração entre equipes multidisciplinares.

 Motivação e engajamento de equipes técnicas.

 Lidando com diferentes personalidades em um ambiente técnico.

7: Desenvolvimento de Talentos em TI

 Coaching e mentoria técnica para crescimento profissional.

 Identificação e promoção de talentos na área de TI.

 Criação de um ambiente de aprendizado contínuo.

 Incentivando a inovação e a criatividade na equipe de TI.

8: Liderança Adaptativa em um Mundo Tecnológico em Evolução

 Adaptação a novas tecnologias e tendências emergentes.

 Lidando com mudanças rápidas em projetos de TI.

 Fomentando a cultura de inovação dentro da equipe.

 Desenvolvimento da resiliência para enfrentar desafios técnicos.

Introdução a Aprendizado de Máquinas e Reconhecimento de Padrões, Teoria de probabilidade, Teoria da decisão. Distribuições de Probabilidade, Variáveis binárias e multinomial, Distribuições Gaussianas, Família das distribuições exponenciais. Modelos Lineares para Regressão, Modelos lineares de funções básicas, Regressão Bayesiano linear. Modelos Lineares para Classificação, Funções discriminantes, Modelos generativos probabilísticos, Modelos discriminativos probabilísticos. Máquinas de Sparse Kernel, Support Vector Machines (SVM), Relevance Vector Machines (RVM). Modelos Gráficos, Redes Bayesianas, Markov Random Fields (MRF), Inferência em modelos gráficos. Inferência Aproximada, Métodos Monte Carlo, Métodos Variacionais. Variáveis Latentes Contínuos, Análise dos componentes principais (PCA), PCA probabilísticos. Modelos de Dados Sequenciais.

Matemática/Cálculo:

Teoria dos conjuntos. Números reais. Funções reais. Polinômios, logaritmos, exponenciais e funções trigonométricas. Gráficos de funções. Derivadas. Introdução à Integrais. Máximos e mínimos de funções contínuas.

Álgebra Linear:

Espaços vetoriais, combinações lineares. Produto interno e produto vetorial. Dependência linear. Matrizes, determinantes. Equações de retas e planos. Transformações lineares e bases. Ortogonalidade. Autovalores e autovetores. Introdução à Lógica Proposicional. Revisão de Análise Combinatória.

Técnicas de mineração de dados. Introdução no campo de mineração de dados e base analítica. OLAP (Online Analytical Process). Descoberta do conhecimento em base de dados - KDD. Operações e métodos de KDD. Ferramentas de KDD. Papel do Usuário no KDD. Etapas do KDD. Pré-processamento. Seleção de dados; Limpeza; Codificação; Enriquecimento; Normalização de dados; Construção de atributos; Correção de Prevalência; Partição do conjunto de dados; Mineração de dados. Pós-processamento. Simplificações de modelo de conhecimento; Transformações de modelo de conhecimento; Organização e apresentação dos resultados; Tarefas de KDD. Métodos de mineração e dados. Ferramentas de KDD. Exemplos de aplicações em KDD.

Como funcionam os modelos de matrizes. Projeção da população no futuro. Dinâmica populacional transiente. Dinâmica populacional assintótica. Métricas usadas para descrever a dinâmica de uma população - Autovalor dominante - Estrutura estável - Valor reprodutivo - Sensibilidade e elasticidade. Modelos estocásticos Medidas de distância - Medidas de similaridade e de dissimilaridade. Distância Euclidiana. Métodos de Agrupamento - Método hierárquico e método das k médias Técnicas de Analytics. Dendograma. Técnicas de agrupamento - Método do vizinho mais próximo (nearest neighbor) Método do vizinho mais distante (furthest neighbor) - Método de centróide  Método das k médias Medidas de distância. Medidas de distância.

Introdução à Análise Prospectiva

 Conceitos básicos de previsão e predição.

 Diferença entre previsão e organização de cenários futuros.

 Importância da análise prospectiva para tomada de decisões.

 Métodos e técnicas de previsão: análise de tendências

Análise de Incertezas e Identificação de Indicadores

 Identificação e avaliação de incertezas no processo de previsão.

 Análise de riscos associados a diferentes cenários futuros.

 Identificação de indicadores e drivers de mudança.

 Monitoramento de eventos e sinais de alerta para identificar mudanças iminentes.

Construção de Cenários Futuros

 Desenvolvimento de cenários plausíveis e consistentes.

 Criação de narrativas para cada cenário futuro.

 Identificação de pontos críticos e pontos de inflexão em cada cenário.

 Estudos de caso e exercícios práticos de construção de cenários.

Estratégias Adaptativas e Comunicação de Cenários

 Desenvolvimento de estratégias para cada cenário futuro.

 Planejamento contingencial e preparação para diferentes futuros.

 Métodos para aprimorar a agilidade organizacional.

 Como comunicar previsões e cenários de forma clara e persuasiva.

Python

Configuração de ambiente de trabalho para programação (instalação dos programas usados e como trabalhar em IDE - Integrated Development Environment). Tipos de variáveis. Sintaxe básica. Operadores e estruturas de decisão. Funções mais comuns. Manipulação de dados (pandas, numpy e scipy). Interação do Python com a web. Interação com bancos de dados SQL. Visualização.

"R".

Tipos de objetos. Sintaxe básica. Estruturas de decisão. Funções estatísticas mais comuns. Visualização de dados.

Conhecer o ciclo de vida dos dados, as funções necessárias e as métricas fundamentais. Principais funções nas equipes de Analytics. Definir um plano que permita conhecer os mecanismos mais efetivos para utilizar a informação e tomar decisões de negócio, diante de diferentes problemáticas. Ciclo de vida dos dados e fluxo de trabalho em Data Analytics. Funções e habilidades necessárias em uma equipe de Data Analytics. Cultura de dados, qualidade dos dados, tipos de dados. Digital Analytics: introdução, aplicabilidade, frameworks e habilidades necessárias. Google Analytics: Apresentação das funcionalidades básicas da ferramenta. Business Metrics: KPI x KSI. Necessidades de informação das partes envolvidas interna e externamente.

Introdução, histórico e importância, Fatores humanos e percepção, Princípios de design de

Informação visual, Conceitos de Computação Gráfica e Imagem.

Formas de visualização, para: Dados tabulares, multidimensionais e estatísticos, Hierarquias e árvores,

Grafos e redes, Textos e documentos, Dados georreferenciados e temporais, Explicações, animações

e causalidade.

Técnicas de visualização interativas, para: Visão geral e detalhe, Projeções de alta dimensão, ícones,

Navegação e zoom, Seleção e Brushing, Linking, Manipulação, Mapeamento de legenda e estilos.

Avaliação da visualização, Laboratórios práticos, Visualização espacial de dados utilizando Google

Maps e ArcGIS Online, Criação de produtos de dados (data products) utilizando Tableau Desktop e

Server, Criação de produtos de dados utilizando R and Shiny.