Funções. Gráficos. Limites. Continuidade. Derivação. Integração. Técnica de integração.

Introdução à matemática numérica. Métodos iterativos. Método das aproximações sucessivas. Método do meio intervalo. Método de Newton-Raphson. Método das secantes. Álgebra linear. Sistemas de equações lineares. Autovalores e autovetores. Interpolação. Integração. Equações diferenciais.

Geometria analítica. Vetores no plano e no espaço. Produtos de vetores. Reta no plano e no espaço. Plano no espaço. Distâncias. Cônicas. Quádricas. Matrizes e espaços vetoriais. Matrizes e determinantes. Sistemas de equações lineares. Espaço e subespaço vetorial. Transformações lineares. Álgebra Linear. Autovalores e autovetores. Diagonalização de operadores. Produto interno. Tipos especiais de operadores lineares.

Fases dos métodos estatísticos. Aplicação das variáveis. População e a amostra. Amostragem. Distribuição de frequências. Elementos da distribuição de frequências. Tipos de distribuição de frequências. Gráficos de distribuição de frequência. Média aritmética como medida de tendência central. Outras medidas de tendência central. Medidas separatrizes. Tipos de medidas de variação ou dispersão. Gráficos estatísticos. Diagramas. Outros tipos de gráficos. Gráfico polar, o cartograma e o pictograma.

Introdução à Álgebra: Monômios e Polinômios. Equação do primeiro e segundo grau. Leitura e Interpretação de Gráficos. Função do primeiro e segundo grau. Elaboração e interpretação de gráficos lineares. Elaboração e interpretação de gráficos quadráticos. Introdução à Álgebra Vetorial. Matrizes e Determinantes. Razão, Proporção e Regra de Três. Sistemas de numeração. Álgebra Booleana. Princípio Fundamental da Contagem e Análise Combinatória.

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.

A disciplina de Engenharia de Dados foca no estudo e na aplicação de técnicas e ferramentas para o gerenciamento eficiente de dados. A disciplina inclui tópicos como arquitetura de sistemas de dados, bancos de dados relacionais e não relacionais, processamento de grandes volumes de dados (Big Data), e integração de dados. Além disso, serão abordados temas como armazenamento de dados, ETL (Extract, Transform, Load), data lakes, e a importância da qualidade e segurança dos dados.

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 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.