Teoria da Aprendizagem.

Reconhecimento de padrões.

Sistemas de recomendação.

Aprendizado supervisionado.

Modelos Lineares para Regressão.

Modelos Lineares para Classificação.

Regressão Logística.

Árvores de Decisão.

Máquinas de Vetor Suporte (MVS).

Introdução a Redes Neurais Artificiais (RNA).

Redes Neurais Convolucionais (RNC).

Redes Neurais Recorrentes (RNR).

Aprendizado não-supervisionado.

Clustering,

Análise de Componentes Principais (ACP).

Ferramentas: Python , KERAS-TensorFlow e WEKA.

Conceitos de estatística.

modelos preditivos e tipos de análise.

abordagens para análise preditiva.

modelos de aprendizado de máquina.

introdução a IA.

plataforma R.

Python, Google Colab.

Histórico de sistemas distribuídos.

Características e desafios de sistemas distribuídos.

Arquiteturas P2P.

características, classificação e desafios.

Aplicações e tecnologias P2P.

Blockchain, Tor & Deep Web.

Bittorrent.

Freenet.

InterPlanetary File System (IPFS).

Distributed Hash Table (DHT).

entre outros.

Parte 1: Conceitos de Arquitetura.

Ciclo de Vida de desenvolvimento de Software.

Definição de Arquitetura. Visões arquiteturais e Arquitetura Candidata.

Processo Centrado em Arquitetura.

Arquitetura NIST Big Data e Cloud (SAAS, PAAS, IAAS).

Arquitetura e Requisitos não funcionais.

Padrões arquiteturais.

Arquitetura e Transformação Digital,

Big Data.

Cenário de Negócio.

Parte 2: Arquitetura DW.

orientação a assunto,

integração e versionamento.

conceitos de Slowly Change Dimension.

uso de Surrogate Key.

Carga Incremental e Snapshot.

modelagem multidimensional, e engenharia de dados com desenvolvimento de aplicações, com report e dashboards.

Visão inicial sobre big data (3Vs), necessidades.

fontes de dados.

aquisição e coleta.

dados estruturados e não-estruturados.

internet das coisas.

CASE.

ciência dos dados.

papel do cientista de dados.

Hadoop,

Seu ecossistema e armazenamento além da contextualização de Data Sciente,

Ferramentas do ecossistema Hadoop com distribuição Caludera.

Spark.

Watson.

DB2 e Cloudant.

Método científico.

elementos da pesquisa.

revisão bibliográfica.

questões de pesquisa.

escrita de monografia.

escrita de artigo científico.

ética acadêmica.

Visão geral da gestão de projetos de sistemas computacionais.

Principais desafios para projetos de sistemas de Big Data.

PMBOK Ágil: uma adaptação do modelo PMBOK para a gestão ágil de projetos.

O framework Scrum como direcionador do tratamento dos desafios ao desenvolvimento de projetos de sistemas de Big Data.

Modelos atuais e propostos para o desenvolvimento e gestão de projetos de sistemas de Big Data.

Discussão dos enfoques apresentados para a gestão e desenvolvimento de projetos de sistemas de Big Data.

Principais frameworks de gestão de dados.

Avaliação de soluções com base no uso prático dos frameworks estudados.

Avaliação de soluções tecnológicas para suporte à gestão de dados.

QD n contexto Big Data.

dimensões de QD.

metodologias de qualidade de dado.

DMBOK e DMMM.

Visão de QD e de Governança de Dados.

Tratamento prático da QD.

Conceitos de planejamento.

Organização e construção de pipelines.

Conceitos e práticas de coleta.

Captura e extração de dados em lote e em streaming.

Conceitos e práticas de preparação e processamento de dados.

Conceitos e práticas de orquestração.

Agendamento e monitoramento de pipeline de dados.

Práticas em ferramentas de ETL e ingestão de dados:

Extração (NIFI, Sqoop, Logstash).

Processamento (Spark, Hive/Presto).

Streaming: (Kafka, Spark, Flink).

Orquestração: (Ariflow).

Persistência e Armazenamento de Dados (HDFS, Druid).

1. Apresentação do curso. Introdução à IHC. Interfaces e interação. O Homem, a tecnologia, o diálogo. Usabilidade, experiência do usuário (UX). Design centrado no usuário. Jornada do usuário.

2. Fatores Humanos. Aspectos dos sentidos e da cognição. Impacto da percepção e cores no entendimento de dados.

3. Aspectos hedônicos da interação. Emoções. Design afetivo. Avaliação da emoção.

4. Visualização de informações. Princípios de design. Gestalt.

5. Visualização de informações. Técnicas e ferramentas. Patterns. Avaliação da visualização.

6. Métodos de pesquisa de usuário: metas e perfis. Personas. Identificação de personas por mineração de dados.

7. Apresentação de seminários.

Modelo relacional.

Modelo multidimensional.

Postgres.

Apache Cassandra e Spark.

Privacidade.

Ética e Big Data.

Direito a privacidade na era Digital.

questões legais.

órgãos reguladores e atores.

Monitoramento na Web e tecnologias para proteção de privacidade nas diversas camadas da rede.

Questões éticas de privacidade e práticas atuais.

IA Responsável.

Hands-on: captura de dados.

Modelagem e implementação de repositório de dados.

Tratamento dos dados.

Aplicação de técnicas de algoritmos preditivos e de ML para montagem de modelos analíticos.

Criação de dashboards.

HDFS.

Banco de dados.

NoSQL orientado a documentos.

Chave-valor.

Família de colunas.

Orientado a grafos.

Princípios e técnicas de segurança.

Chaves simétricas e assimétricas.

Acesso e autenticação com chave pública.

Servidores de chaves.

Kerberos versão 5 e sua implementação em cluster.

Firewalls. Uso de IpTables.

Configuração do IpTables para ambiente Hadoop.

Sistema LDAP para autenticação e autorização em cluster.

O sistema Sentry e seu uso em sistemas de arquivos.