HO238 - Introdução à Ciência de Dados para Ciências Sociais e Humanas - 1S/2025 Imprimir

Ementa:

A disciplina apresenta os fundamentos da Ciência de dados, visando a construção da base para o estudo de técnicas mais complexas no campo do Aprendizado de Máquina. O conteúdo é dividido em cinco grandes partes: 1) contextualização e definições gerais da área e dos principais termos técnicos; 2) introdução à linguagem de programação (R ou Python); 3) estatística descritiva e inferencial; 4) algoritmos não supervisionados (agrupamento e redução da dimensionalidade com técnicas hierárquicas, K-Means, PCA etc.) e 5) algoritmos supervisionados (classificação com K-NN, árvores de decisão, random forests, bagging e boosting).

Bibliografia:

Starmer, J. (2022) The StatQuest Illustrated Guide To Machine Learning, Independently published, ISBN-13: 979-8811583607.

F. Provost e T. Fawcett (2013): Data Science for Business. Acesso via https://www.researchgate.net/publication/256438799_Data_Science_for_Business 

NWANGANGA, F. Practical Machine Learning with Python: Implement Powerful Machine Learning Models Using Python. Hoboken, NJ: Wiley, 2020.

W. de O. Bussab e P. A. Morettin (2017). Estatística básica, 9º ed., Ed. Saraiva

Wheelan, Ch. (2013). Estatística: o que é, para que serve, como funciona, 5ª ed., Ed. Zahar

P. Bruce e A. Bruce (2019). Estatística prática para cientistas de dados, Ed. O’Reilly

K. Faceli et al (2021). Inteligência Artificial: uma abordagem de aprendizado de máquina, 2ª ed.; ed. LTC

Minimalist Data Wrangling with Python, Melbourne, DOI: 10.5281/zenodo.6451068, ISBN: 978-0-6455719-1-2, URL: https://datawranglingpy.gagolewski.com/ 

JAMES, G.; WITTEN, D.; HASTIE, T.; TIBSHIRANI, R.; TAYLOR, J. An Introduction to Statistical Learning: with Applications in R (Springer Texts in Statistics). 2023rd ed. Springer, 2023. Pdf para R e Python disponível em  https://www.statlearning.com

Gábor Békés, Gábor Kézdi Data Analysis for Business, Economics, and Policy, 2021.

Joseph F. Hair Jr., William C. Black, Barry J. Babin, Rolph E. Anderson. (2009). Análise Multivariada de Dados. Bookman editora. 

Greenacre, Michael. (2017). Correspondence Analysis in practice Chapman & Hall/CRC, 3rd. Edition.

Data Science Academy (2025). Deep learning book. Disponível em https://www.deeplearningbook.com.br/ 

Nota: ao longo do semestre se indicará bibliografia complementar referente às aplicações de cada seção.

Note: Throughout the semester, supplementary bibliography related to the applications of each section will be indicated.

Nota: A lo largo del semestre se indicará bibliografía complementaria referente a las aplicaciones de cada sección.

Ano de Catálogo: 2025

Créditos: 4