Calendário

Autor

Vitor Cortez

Agenda de tópicos para as datas de aula disponíveis.

Aulas

As aulas iniciam em 10/03/25 e podem se estender até 09/07/25. O calendário de aulas para o plano atual se encontra na Tabela 1.

Tabela 1: Calendário de aulas
Tópico Início Fim
1 Abertura da disciplina 10/03/25 17/03/25
2 Ciência de dados 19/03/25 24/03/25
3 Fundamentos de Python 26/03/25 26/03/25
4 Python em computação científica 31/03/25 31/03/25
5 Bases de dados 07/04/25 07/04/25
6 Descoberta de dados 09/04/25 09/04/25
7 Acompanhamento do trabalho 14/04/25 23/04/25
8 Primeira avaliação 28/04/25 30/04/25
9 Manipulação de dados 07/05/25 07/05/25
10 Amostragem de dados 12/05/25 12/05/25
11 Estatística descritiva 19/05/25 19/05/25
12 Visualização de dados 21/05/25 21/05/25
13 Qualidade de dados 26/05/25 26/05/25
14 Transformação de dados 28/05/25 28/05/25
15 Segunda avaliação 02/06/25 04/06/25
16 Aprendizado de máquina 09/06/25 09/06/25
17 Modelagem de dados 11/06/25 11/06/25
18 Avaliação de modelos 16/06/25 16/06/25
19 Outros tópicos 18/06/25 18/06/25
20 Terceira avaliação 23/06/25 25/06/25
21 Encerramento da disciplina 30/06/25 09/07/25

Mais detalhes sobre cada encontro são apresentados nas subseções abaixo.

Aula 1: Abertura da disciplina

Unidade 1: Apresentações; plano de ensino; ambiente de desenvolvimento; próximas aulas.

Data(s) prevista(s): 10/03/2025, 12/03/2025, 17/03/2025.

Recurso(s) associado(s):

  1. Recurso – Apresentação

Aula 2: Ciência de dados

Unidade 1: Histórico; definições; KDD e CRISP-DM; Big Data; Data mining; processos de desenvolvimento.

Principais tópicos abordados: 1. Introdução à ciência de dados, 2. Áreas e termos relacionados, 3. Processos de desenvolvimento.

Data(s) prevista(s): 19/03/2025, 24/03/2025.

Recurso(s) associado(s):

  1. Referência – Capítulos: (Carvalho, Menezes, e Bonidia 2024, cap. 1–2)

  2. Recurso – Definição

  3. Recurso – Relacionados

  4. Recurso – Processos

Aula 3: Fundamentos de Python

Unidade 1: Revisão da linguagem; entrada e saída; ambientes virtuais; interoperabilidade.

Principais tópicos abordados: 1. Linguagem Python, 2. Ambientes virtuais.

Data(s) prevista(s): 26/03/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 3)

  2. Referência – Capítulo: (Grus 2016, cap. 2)

  3. Recurso – Ferramentas

Aula 4: Python em computação científica

Unidade 1: Fundamentos; IPython; Jupyter notebooks.

Principais tópicos abordados: 1. Ambiente de desenvolvimento, 2. IPython, 3. Jupyter Notebooks.

Data(s) prevista(s): 31/03/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (VanderPlas 2016, cap. 1)

Aula 5: Bases de dados

Unidade 1: Tipos de dados; formatos e arquivos; armazenamento; bancos de dados; dados tabulares.

Principais tópicos abordados: 1. Tipos de dados, 2. Fontes de dados, 3. Estrutura de dados.

Data(s) prevista(s): 07/04/2025.

Recurso(s) associado(s):

  1. Referência – Seções: (Carvalho, Menezes, e Bonidia 2024, sec. 1.2–1.3)

  2. Referência – Capítulo: (Verri 2024, cap. 4)

Aula 6: Descoberta de dados

Unidade 1: Seleção; web crawling ou scraping; Requests; BeautifulSoup.

Principais tópicos abordados: 1. Seleção de dados, 2. Web scraping, 3. Biblioteca BeautifulSoup.

Data(s) prevista(s): 09/04/2025.

Recurso(s) associado(s):

  1. Referência – Seções: (Carvalho, Menezes, e Bonidia 2024, sec. 13.2.1, 13.3.1)

Aula 7: Acompanhamento do trabalho

Unidade 1: Intervalo reservado à resolução de dúvidas e conclusão do trabalho da primeira avaliação.

Data(s) prevista(s): 14/04/2025, 16/04/2025, 23/04/2025.

Aula 8: Primeira avaliação

Unidade 1: Apresentações de bases de dados.

Data(s) prevista(s): 28/04/2025, 30/04/2025.

Recurso(s) associado(s):

Detalhes: Trabalho em grupo. Cada grupo deve gerar e apresentar uma base de dados inédita.

Critérios de avaliação:

  • Volume e variedade
  • Procedimentos de coleta
  • Conhecimento esperado
  • Criatividade
  • Organização e compartilhamento

Aula 9: Manipulação de dados

Unidade 1: Dados tabulares; Pandas; DataFrames.

Principais tópicos abordados: 1. Dados tabulares, 2. Biblioteca Pandas, 3. Planilhas e DataFrame.

Data(s) prevista(s): 07/05/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 4)

  2. Referência – Capítulo: (VanderPlas 2016, cap. 3)

  3. Referência – Capítulo: (Verri 2024, cap. 5)

Aula 10: Amostragem de dados

Unidade 2: População; amostra; representatividade; variabilidade; inferência dedutiva e indutiva.

Principais tópicos abordados: 1. População e amostra, 2. Representatividade, 3. Tipos de inferência.

Data(s) prevista(s): 12/05/2025.

Recurso(s) associado(s):

  1. Referência – Seção: (Carvalho, Menezes, e Bonidia 2024, sec. 10.1)

Aula 11: Estatística descritiva

Unidade 2: Fundamentos; escalas de medida; medidas descritivas: tendência e dispersão; coeficiente de variação; NumPy.

Principais tópicos abordados: 1. Escalas de medida, 2. Medições descritivas, 3. Biblioteca NumPy.

Data(s) prevista(s): 19/05/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 5)

Aula 12: Visualização de dados

Unidade 2: Gráficos; Matplotlib; Seaborn; análise exploratória de dados (EAD).

Principais tópicos abordados: 1. Análise exploratória de dados, 2. Gráficos estatísticos, 3. Biblioteca Matplotlib, 4. Biblioteca Seaborn.

Data(s) prevista(s): 21/05/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 6)

Aula 13: Qualidade de dados

Unidade 2: Ausências; ruídos; outliers; limpeza.

Principais tópicos abordados: 1. Dados faltantes, 2. Dados ruidosos, 3. Pontos fora da curva, 4. Dados enviesados, 5. Limpeza de dados.

Data(s) prevista(s): 26/05/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 7)

Aula 14: Transformação de dados

Unidade 2: Conversão de valores; normalização; padronização.

Principais tópicos abordados: 1. Conversão de dados, 2. Normalização, 3. Padronização.

Data(s) prevista(s): 28/05/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 8)

Aula 15: Segunda avaliação

Unidade 2: Prova objetiva sobre os assuntos abordados nas unidades I e II.

Data(s) prevista(s): 02/06/2025, 04/06/2025.

Aula 16: Aprendizado de máquina

Unidade 3: Definições; treinamento.

Principais tópicos abordados: 1. Modelagem estatística, 2. Tipos de aprendizado, 3. Tarefas de modelagem.

Data(s) prevista(s): 09/06/2025.

Recurso(s) associado(s):

  1. Referência – Seção: (Carvalho, Menezes, e Bonidia 2024, sec. 11.1)

Aula 17: Modelagem de dados

Unidade 3: Regressão linear; classificação; agrupamento; algoritmos; SciKit Learn.

Principais tópicos abordados: 1. Regressão linear, 2. Classificação, 3. Agrupamento, 4. SciKit Learn.

Data(s) prevista(s): 11/06/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 11)

Aula 18: Avaliação de modelos

Unidade 3: Métricas de resultados; hiperparâmetros; hipóteses; SciPy.

Principais tópicos abordados: 1. Métricas avaliativas, 2. Teste de hipóteses, 3. SciPy.

Data(s) prevista(s): 16/06/2025.

Recurso(s) associado(s):

  1. Referência – Capítulo: (Carvalho, Menezes, e Bonidia 2024, cap. 12)

Aula 19: Outros tópicos

Unidade 3: Algoritmos bioinspirados; dados não estruturados; ética.

Principais tópicos abordados: 1. Algoritmos bioinspirados, 2. Hiperparâmetros, 3. Dados não estruturados, 4. Ética.

Data(s) prevista(s): 18/06/2025.

Recurso(s) associado(s):

  1. Referência – Capítulos: (Carvalho, Menezes, e Bonidia 2024, cap. 13–14)

Aula 20: Terceira avaliação

Unidade 3: Apresentações dos projetos finais.

Data(s) prevista(s): 23/06/2025, 25/06/2025.

Aula 21: Encerramento da disciplina

Unidade 3: Recuperação e exame final.

Data(s) prevista(s): 30/06/2025, 02/07/2025, 07/07/2025, 09/07/2025.

De volta ao topo

Referências

Carvalho, André C. P. L. F. de, Angelo G. Menezes, e Robson P. Bonidia. 2024. Ciência de Dados: Fundamentos e Aplicações. LTC. https://books.google.com.br/books?id=HNSn0AEACAAJ.
Grus, Joel. 2016. Data Science do Zero: Primeiras Regras com o Python. Editado por Alta Books. O’Reilly Media. https://books.google.com.br/books?id=24kdCAAAQBAJ.
VanderPlas, Jake. 2016. Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media. https://books.google.com.br/books?id=dQgGzQEACAAJ.
Verri, Filipe Alves Neto. 2024. Data Science Project: An Inductive Learning Approach (versão 0.1.0). Leanpub. https://doi.org/10.5281/zenodo.14498011.