Pós-graduação em Inteligência de Dados para Estratégia e Finanças

História e evolução do Big Data. Aplicabilidade das tecnologias de Big Data. Técnicas de visualização de dados. Onde aplicar Big Data. Conceitos e escopos da ciência de dados. Princípios e diferenças entre ciência de dados e big data. O papel e a importância do cientista de dados. Aplicações da ciência de dados. Processamento de grandes volumes de dados. Inteligência de negócio para Big Data. Bancos de dados para Big Data. Recuperação de informações. Técnicas de aprendizado de máquina. Gerência de dados e computação na nuvem. Bioinformática. Inovação tecnológica e novas tendências.

Fundamentos do mercado financeiro. Moeda. Determinação da taxa de juros e do produto de equilíbrio. Balanço de pagamentos, política e mercado cambial. Configuração do sistema financeiro. Principais indicadores e títulos do SFN. Banco Comercial. Risco na atividade bancária. Mercados de ações, opções e futuros. Projeção de preço e risco (volatilidade) de ativos. Precificação e estratégias com opções de compra e venda. Estratégias com futuros. Comércio Exterior e Relações Internacionais.

Introdução à administração financeira. Fundamentos do valor do dinheiro no tempo. Avaliação de títulos de renda fixa. Avaliação de ações. Risco e retorno. Custo de capital. Alavancagem e estrutura de capital. Orçamento de capital. Administração do capital de giro.

Esta disciplina aborda os fundamentos e técnicas da análise exploratória de dados (AED), focando na compreensão e interpretação de conjuntos de dados para extração de insights. Os tópicos incluem estatística descritiva, visualização de dados, análise multivariada, e técnicas de redução de dimensionalidade. O disciplina também enfatiza o uso de ferramentas computacionais para análise de dados, como Python e R, e a aplicação de princípios de AED em diversos contextos.

Introdução aos conceitos e aplicações de tecnologias Business Intelligence (BI): visão empresarial, ferramentas computacionais e relação com sistemas de gestão como Data Warehouse e Data Mining.

Esta disciplina aborda conceitos e técnicas fundamentais de análise de dados que são essenciais para o processo de tomada de decisões estratégicas em ambientes empresariais. Os temas incluem estatística descritiva, probabilidade, inferência estatística, visualização de dados, big data, análise preditiva, machine learning e análise de dados para otimização de processos. Serão discutidos casos práticos para ilustrar como os dados podem ser transformados em insights estratégicos que impulsionam as decisões de negócios.

A gestão de riscos em instituições financeiras. O processo de identificação de riscos. Tipos de riscos. As análises qualitativa e quantitativa dos riscos. O plano de respostas ao risco. A monitoração e o controle do risco. Estatísticas e análise de riscos. Análise de casos práticos.

A disciplina "Inteligência Artificial Aplicada ao Mercado Financeiro" oferece uma visão abrangente sobre como a inteligência artificial (IA) e o machine learning estão transformando o setor financeiro. Cobrindo desde os fundamentos teóricos até aplicações práticas, os alunos explorarão técnicas de análise preditiva, algoritmos de trading automatizado, gestão de risco com IA, e personalização de serviços financeiros. Serão abordados conceitos chave como processamento de linguagem natural (PLN) para análise de sentimentos em mercados, redes neurais para previsão de séries temporais financeiras, e a ética no uso de IA no setor financeiro.

A disciplina visa propiciar reflexões acerca do papel histórico, pedagógico e prático do professor universitário, oferecendo bases teóricas e metodológicas para o desenvolvimento de competências docentes no Ensino Superior. Aborda o surgimento da docência universitária, a formação pedagógica do professor, as especificidades da aprendizagem de adultos (andragogia), a organização didática, o planejamento e a avaliação, bem como o emprego de metodologias ativas e uso de tecnologias para a inovação na prática docente.