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.

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.

História e princípios fundamentais da IA. Como a IA trata a incerteza e como toma decisões. Processos de aprendizado da IA. Apresentação dos modelos avançados de comunicação.

A disciplina "Inteligência Artificial e a Engenharia de Prompt para Negócios" cobre os fundamentos da Inteligência Artificial (IA), com foco especial na engenharia de prompt e sua aplicação no mundo dos negócios. Os alunos aprenderão os conceitos básicos de IA, o desenvolvimento e a otimização de prompts para maximizar a eficácia da IA em tarefas específicas, estratégias para a integração de soluções de IA em processos de negócios, e a análise ética e responsável da tecnologia de IA. São abordados temas como machine learning, processamento de linguagem natural (PLN), geração de texto, análise de dados com IA, e a criação de interfaces conversacionais eficazes.

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 aborda os princípios e as técnicas da ciência de dados aplicados à gestão de marketing. Os alunos aprenderão sobre os conceitos fundamentais de ciência de dados e sua aplicação em marketing; a análise exploratória de dados para identificação de tendências e insights de mercado; a modelagem estatística e preditiva para apoio à tomada de decisão em marketing; a utilização de ferramentas e técnicas de visualização de dados para comunicação eficaz de resultado.

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 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.