MBA em Gestão de Projetos de Ciência de Dados

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 dele. 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 evidências digitais; O novo crime de denunciação caluniosa eleitoral e as Fakes News: LEI n° 13.834/2019.

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.

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 dado.

Entendimento de conceitos e suas principais diferenças. Tipos de aprendizado e algoritmos.
Aprendizado supervisionado e não supervisionado. Uso dos principais algoritmos de aprendizado de máquina: regressão, árvores de decisão, redes neurais, máquinas de vetor de suporte e algoritmos de agrupamento. Entendimento básico sobre regressão, classificação, agrupamento, anomalias e recomendação. Base de treino e base de teste. Verdadeiro positivo, verdadeiro negativo, falso positivo e falso negativo. Entendimento sobre construção e escolha do modelo. Coleta e limpeza de dados. Treinamento, avaliação, ajuste e implantação do modelo.

Conceito de governança de dados. Ambiente transacional e informacional. Fatores críticos de sucesso. Dificuldades e desafios na implementação da governança de dados em uma empresa. Criação, consumo e descarte do dado. Qualidade dos dados. Dados mestres. Metadados. Visão operacional e gerencial do dado. DAMA DMBok. Data Management Maturity – DMM. Capability Maturity Model Integration – CMMI. Data Management Capability Model – DCAM. Perfis, papéis e responsabilidades em governança de dados. Certificações na área.

Gestão na nuvem. Ferramentas mais utilizadas. Evolução dos bancos de dados e armazenamento. Gestão de acessos. Conceitos básicos, definição e características. Requisitos de gerência de dados na nuvem. Categorias de banco de dados. Processamento distribuído. Tipos de modelagem. Entendendo data warehouse, data lake, lake house e data mart. Extração, transformação e carga. Visão macro de Hadoop, MapReduce, Spark, armazém de dados e modelagem OLAP.

Projeto conceitual, lógico e físico. Busca e ordenação. Modelo relacional e não relacional. Modelo dimensional. Restrições de integridade, visões, autorização de acesso. Dependências funcionais e normalização. Linguagem SQL. Definição de NoSQL, orientação à agregados, tipos de SGBD. Dicionário de dados. Análise exploratória de dados. Web scraping.

Criar uma cultura orientada a dados permitindo que os profissionais gerem mais insights com base em análise profunda em dados. Entendimentos de conceitos de cultura, dados, informação, alfabetização, ecossistema e engajamento. Criar soluções voltadas para tomada de decisões com base em dados. Ecossistema de dados. Identificação e gerenciamento de partes interessadas. Engajamento e comunicação para uma empresa ser movida à análise de dados. Estratégia de alfabetização de dados. Desenvolvendo skills para uso da inteligência artificial. Comunicação eficiente.

Usando técnicas de storytelling na visualização de dados. Psicologia das cores. Princípios de Gestalt. Mapa de calor. Técnicas de UX e design aplicadas à criação de dashboards. Criação de indicadores. Principais ferramentas para a criação de dashboards disponíveis no mercado (Tableau, Power BI, Qlik e Data Studio), suas vantagens e desvantagens. A importância do ETL na construção do dashboard. Conceitos básicos de Power BI para a criação de dashboards. Gráficos com multivariáveis. Tipos de gráficos e tabelas e perguntas que se propõem a responder. Utilizando o design de informação para comunicar múltiplas camadas de dados de forma clara e objetiva.

Conceitos de ingestão, integração e normalização de dados. Classificação de informações. Definição, estrutura e armazenamento. Gerenciamento de processos e de memória. Tipos de rede para transmissão de dados. Workflow e gerenciamento de dados. Níveis de maturidade em dados e suas aplicações. Compreensão, preparação, modelagem e industrialização de dados. Criando projetos, sandbox e dashboards. Dados estruturados, não estruturados e semi estruturados. Apresentação de componentes básicos como: data storage, stream processing, batch processing, data store, orquestração e data sources.

A importância da jornada e experiência do cliente interno e externo à organização. A experiência do usuário como estratégia corporativa. Definição de usuário do centro. Métodos mistos, integrando Design Thinking, espiral do conhecimento, pesquisa de UX e análise de dados. Capacitação na gestão do cliente. Estudo de usuários, comportamento e práticas, buscando entender como os sujeitos interagem e se apropriam da informação em contextos organizacionais.

Definição de conceitos básicos: projeto, produto, agilidade, escopo, requisitos, tempo, custos, processo, parte interessadas e cronograma. Tipos de metodologias e frameworks. Processos para gerenciamento de projetos. Planejando um projeto e times. Entendendo o ciclo de vida de um projeto. Definição de pronto, gerenciamento de entregas e qualidade. Usando o CRISP-DM em projetos de Ciência de Dados e Inteligência Artificial. Gerenciando projetos de acordo com o PMI. Gestão de projetos com XP. Trabalhando com modelos híbridos.

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).

A importância da interpretabilidade e explicabilidade em dados. Dado, informação, conhecimento e sabedoria. Plataformas de programação. Emuladores e padrões de programação para smartphones e tablets. Principais componentes de interface com o usuário. Tecnologias de persistência de dados em dispositivos móveis. Testes unitários. Revisões de software modernas. Jornada do dado: transformando descobertas em soluções. Criação, testes, revisão e descarte de hipóteses. Teste A/B. Método científico. Ideação e especificação ágil. Tipos de testes. Aceitação dos testes. Criação de MVP. Apresentação dos resultados obtidos no teste de hipóteses. Método científico. Avaliando as motivações e barreiras para uma boa adoção do dado.

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.

Conceitos e principais ferramentas. Controle de versões, integração contínua e deployment contínuo. Implantação e sustentação. Aplicabilidade de MLOps para entrega de modelos em ambiente produtivo. Pipeline. Vantagens e desvantagens das técnicas de engenharia de software em projetos de ciência de dados.

Introdução à pesquisa, Métodos de estudo: fichamento, resenha, organização do trabalho científico, Trabalhos científicos: roteiro de pesquisa / Projeto de pesquisa / TCC.