MBA em Data Science e Business Analytics

Conceitos Básicos de Estatística, Gráficos Estatísticos, Gráficos Estatísticos no MS Excel, Medidas de Tendência Central, Medidas de Dispersão, Percentis e a Frequência Acumulada, Variância e Desvio Padrão.

Processo de inovação e identificação de soluções para um problema.
Mapeamento e integração de experiências culturais.
Visão de mundo.
Mapeamento de processos do cotidiano do indivíduo.
Identificação de barreiras e oportunidades de remoção das mesmas.
Imersão, Análise e síntese.
Perspectivas dos resultados.
Prototipagem.

Sociedade da Informação e os riscos cibernéticos; Sociedade da Informação e direitos humanos.
Vigilância em massa: vigilância algorítmica, corrosão da democracia e trans política.
A Direito da cibersegurança: aspectos operacionais e estratégicos.
Marco Civil da internet: o advento da legislação brasileira; Proteção de dados pessoais: aspectos gerais do RGPD e LGPD; Regulamento Geral de Proteção de Dados e Reflexões sobre i impacto no Direito Urbanístico; Regulamento Geral sobre a Proteção de dados no âmbito italiano; Autoridade Nacional de Proteção de Dados pessoais.
Lei Geral de Proteção de Dados e reflexões sobre o impacto no Direito Urbanístico.
Lei Geral de Proteção de Dados e Direito do Consumidor; Tutela da privacidade dos menores de idade na internet e seus conceitos. Os bastidores da internet.
Vulnerabilidade física, coorporativa e de dados pessoais.
Influência das redes sociais no escrutínio eleitoral; Direito Digital na prática: do processo de identificação a remoção do conteúdo na internet; Compliance cibernético e direito regulatório.
Evolução no combate à criminalidade digital; O acesso não autorizado de dispositivo informático; Investigação cibernética: panorama geral e infiltração policial.
Cadeia de custódia em evidencias digitais; O novo crime de denunciação caluniosa eleitoral e as Fakes News: LEI n° 13.834/2019.

Os principais conceitos e cálculos estatísticos utilizados em Ciência de Dados e Machine Learning; os cálculos de estatística e probabilidade implementados passo a passo na linguagem Python; Como a Estatística está relacionada com a Ciência de Dados e Machine Learning.
Implementar técnicas de amostragem, como, por exemplo: amostragem simples, sistemática, estratificada, grupos e reservatório.
Aprender a teoria e a prática sobre os principais algoritmos de Machine Learning, bem como sua ligação com a Estatística.
Utilizar técnicas de amostragem para lidar com dados desbalanceados em Machine Learning.
Calcular percentuais, índices, coeficientes e taxas.
Aprender passo a passo como calcular distribuições de frequência e gerar histogramas para visualização.
Calcular medidas de posição, como, por exemplo: média, moda, mediana, quartis e percentis.
Calcular medidas de dispersão de dados, como, por exemplo: amplitude, variância, desvio padrão e coeficiente de variação. Como utilizar as medidas de posição e dispersão para avaliar algoritmos de Machine Learning.
Como utilizar medidas de posição para tratar valores faltantes em bases de dados; calcular a variância para escolher os melhores atributos em uma base de dados.
Entender a principais distribuições estatísticas e de probabilidade, como por exemplo: distribuição normal, gama, exponencial, uniforme, Bernoulli, binomial e de Poisson.
Como utilizar a estatística inferencial para cálculos de probabilidade; Calcular intervalos de confiança; Realizar testes de hipóteses, implementando os cálculos passo a passo; Realizar testes de hipóteses com ANOVA, Qui Quadrado, Wilcoxon, Friedman e Nemenyi. Calcular correlação entre variáveis; Criar modelos de regressão linear para previsão de números; Criar gráficos e mapas para facilitar a interpretação dos dados.

O que é Ciência de Dados.
Problemas e Soluções em Ciência de Dados.
Ciência de Dados e suas Etapas.
Métodos Matemáticos e Computacionais.
Exemplos reais.
Questões Éticas em Ciência de Dados.

Introdução ao R.
R em Ambiente de Desenvolvimento Integrado (IDE).
Dados Primitivos.
Tipos de Váriáveis.
Operações e Objetos.
Operações com Vetores.
Operações com Matrizes.
Listas.
Data Frames.
Importação de Dados.
Controle de Fluxo.
Aplicação de Gráficos.

Introdução ao Python.
Declaração de Variáveis.
Codificação, Estruturas de Decisão.
Teste de Lógica.
Estrutura de Repetição.
Uso e Criação de Funções.
Orientação a Objetos.
Listas.
Regressão Linear.
Distribuição de Poisson.
Cases Práticos.

Ênfase no trato de dados e seu ecossistema.
Conceitos ao redor de Big Data e Lakehouses.
Data Sensing – Internal/External Sources, Softwares and Algorithms.
Working with Collections.
Data Wrangliing; Data Analysis Storage – Cloud and OnSite & Other Models.
Examples of Architectures – DataBricks, Snowflake, Trifacta and Datarobot.
Ênfase em Análise Exploratória e Cálculo Numérico para Ciência de Dados.
Análise Exploratória Prática.
Modelos de correlação.
Modelos de Regressão.
Cálculo numérico.
Derivadas.
Integral.
Relação com Machine e Deep Learning.
Cases Práticos.

Big Data, Small Data e Inteligência Analítica utilizando datasets SQL e NoSQL.
Kafka e Habbit MQ.

Ênfase em sistemas de Aprendizagem por Reforço.
Fundamentals in Reinforcement Learning.
Sequential Decision-Making.
Métodos de Aprendizagem Sample-Based.
Processo de decisão Markov.
Value Functions e Equações de Bellman.
Predições e controle com Funções de Aproximação.
Programação Dinâmica.
Sistemas em Reinforcement Learning.

Visão geral sobre Infraestrutura de armazenamento de dados para Big Data.
Visão geral sobre Infraestrutura de computação e de rede para Big Data.
Tópicos sobre virtualização e computação em nuvem.
Plataformas de Big Data na nuvem: HDFS, Hadoop e MapReduce.
Estudos de caso com Spark.
Visualização de informações e visual analytics.
Percepção, tipos de dados, representações visuais e princípios de interação.
Estratégias para comunicação de resultados através de visualização.
Visão geral sobre sistemas de suporte à decisão e inteligência de negócio.
Estudo sobre armazéns de dados e sobre modelagem OLAP.
Compreensão dos principais conceitos envolvidos e entendimento sobre os principais modelos OLAP.
Estudo sobre dados espaço-temporais, multimídia, hipermídia, de fluxo contínuo e de mídias digitais.
Visão geral sobre a gestão de bancos de dados sem esquemas prévios.
Visão geral sobre novas aplicações em dados: Big data, Dados não estruturados, de mídias sociais.
Compreensão e prática de técnicas de transformação de dados estruturados e não-estruturados (pré-processamento).
Foco em normalização de dados para tarefas de análise e aprendizado de máquina.

Entenda o Aprendizado Através de Interação com o Ambiente com Reinforcement Learning.
Implemente Algoritmos de Busca e Otimização.
Reconheça Caracteres com Redes Neurais Artificias e Deep Learning.
Modelo mecanismos de análise de emoções.
Construa Sistemas Baseados em Regras com Lógica Difusa.
Crie Modelos de Análises Preditivas, Agrupamentos e Associadores com Machine Learning.
Algoritmos aplicados de Aprendizado Supervisionado, Aprendizado não Supervisionado AutoML Deep Learning, Redes neurais, AutoKeras, H2O, Tensor Flow, Scikit-learn.

Ênfase em ambientes de BI, Alguns de seus processos e formas de Análise.
Business Intelligence & Data Driven Orgs.
Re-Visão sobre Arquitetura em Analytics.
Gerando Insights.
Técnicas de Visualização.
Tipos, estilos e usos de gráficos.
Técnicas de Desenho de Painéis (Dashboards, Storytelling).

Ênfase em ambientes de Phyton, Alguns de seus processos e formas de Análise.
Business Intelligence & Data Driven Orgs.
Re-Visão sobre Arquitetura em Analytics.
Gerando Insights.
Técnicas de Visualização.
Tipos, estilos e usos de gráficos.
Técnicas de Desenho de Painéis (Dashboards, Storytelling).

Discussões e provocações sobre o uso da Ciência de Dados em diversas indústrias e áreas do mercado.
Análise de mercado e principais KPIs para Telco.
Controles e análises em Retail and Finance.
Algoritmos e modelos específicos para Manufacturing.
Processos importantes em Agro e seus KPIs.
Principais indicadores para Health especificamente – Saúde.
Algoritmos e modelos específicos, Projetos em ciência de dados para área de negócios (Vendas e Marketing).

EQ-I 2.0.
Percepção das emoções.
Administração de emoções.
Automotivação.
Controle dos impulsos.
Otimismo.
Adaptabilidade.
Adaptar a abordagem de entrega com base no contexto.
Análise do ambiente.
Empatia.
Lideranças e Equipes.
Conceito e teorias de liderança.
Poder e influência nas organizações.
Novos modelos de liderança.
Liderança de equipes de alto.
Trabalho sob pressão.
O que é Motivação e como impacta no desempenho.
Motivação e Competências.
Teorias de motivação.
Ambiente, oportunidades, objetivos e incentivos e oportunidades.
Forças motivacionais.

Conceitos de Planejamento de Desenvolvimento de Carreira.
Objetivos do Planejamento de Carreira.
Tipos de Carreira.
Carreira como estratégia de retenção.
Modelos de Programas de Carreira.
Casos práticos.
Estruturas de carreira.
Construir, desenvolver e promover as responsabilidades das equipes.
Evolução das Pessoas e Relação de Confiança.
Talentos e Competências.
Metas e Objetivos, Desafios e Complexidades.
Autonomia e engajamento.
Descentralização de habilidades.
Fases, Entregas e Melhoria contínua.
Os métodos e as técnicas de treinamento e desenvolvimento adequados ao perfil do grupo, do conteúdo, e dos objetivos propostos.
Performance da equipe, supervisão, indicadores e resultados.

Introdução ao Agile e ao Scrum.
O manifesto Ágil e seus Princípios.
A importância do Produto Mínimo Viável (MVP).
Visão geral e conceitual do framework Scrum.
Características e benefícios do Scrum.
Framework SCRUM.
Iniciando um Projeto.
Definindo a Equipe Scrum.
Criando e Priorizando o Backlog do Produto.
Identificando as Necessidades das Partes Interessadas.
Definindo prioridades.
Planejamento em multinível (Planning Onion): Diário, Sprint, Versão de Entrega, Produto e Portfólio.
Implementação do Projeto.
Criando os Entregáveis.
Monitorando projetos com Scrum.
Revisão e Retrospectiva – Concluindo e validando uma Sprint.
Release – Concluindo e validando um Projeto.

Gestão da Informação e de Equipamento Informático.
Engenharia Social e Phishing.
Mecanismos Tecnológicos de Segurança.
Segurança em Redes de Computadores.
Cibersegurança e Machine Learning.
Análise de Risco de Engenharia Social e Casos Práticos.
Segurança e Desenvolvimento de Software.
Especificação de Requisitos de SegInfo e Cibersegurança.
Gestão de Segurança da Informação.
Implementação de um Sistema de Gestão de Segurança da Informação (Método).
Principais Processos, Políticas e Planos de um SGSI.
Modelação de Métodos de Ataque (Técnicas Gerais).
Caso Prático – Identificação, Avaliação e Tratamento de Riscos.

Trabalhos científicos: Roteiro de Pesquisa / Projeto de pesquisa / TCC (Trabalho de Conclusão de Curso).