3Monique Müller Lopes Rocha
5. Domínios de aplicação
1. Mineração de dados de aplicações Internet 2. Comércio eletrônico
3. Bioinformática
Metodologia de Ensino
O curso será desenvolvido através de aulas expositivas. Além disso, haverão práticas em laboratório, com a utilização de plataformas livres de mineração de dados.
Todo material de aula será disponibilizado para o aluno por meio da plataforma CampusVirtual da UFSJ. As entregas das listas e relatórios previstos também se darão por meio do CampusVirtual da UFSJ.
Com relação ao horário de atendimento, o mesmo se dará nas sextas-feiras, de 13:00 às 16:00, mediante agendamento pelo e-mail lcrocha@ufsj.edu.br com 24 horas de antecedência.
Critérios de Avaliação
A avaliação do aprendizado será realizada através de dois trabalhos práticos (30% e 40%) e seminários no valor 30%. Terá direito à realização de uma prova substitutiva, no valor de 100%, os alunos que obtiverem nota inferior a 60% da nota de todo semestre. A referida prova versará sobre todo conteúdo.
Bibliografia Básica
1. J. Han and M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2nd Edition, 2007.
2. T AN, P.; STEINBACH, M.;KUMAR, V. Introdução ao Data Mining(Mineração de Dados)2a Ed.Ciência Moderna, 2009
3. M. Zaki and W. Meira Jr. Fundamentals of Data Mining Algorithms, Cambridge, 2012
(a ser publicado, mas atualmente pode ser obtido por meio do endereço eletrônico:
http://www.dcc.ufmg.br/miningalgorithms/DokuWiki/doku.php)
Bibliografia Complementar
1. P. Tan, M. Steinbach, and V. Kumar Introduction to Data Mining Addison Wesley, 2006.
2. Documentação do Knime: http://tech.knime.org/knime
3. Artigos publicados nas principais conferências de mineração de dados:
KDD (http://www.informatik.uni-trier.de/~ley/db/conf/kdd/index.html), SDM (http://www.informatik.uni-trier.de/~%20ley/db/conf/sdm/index.html), SIGMOD (http://www.informatik.uni-trier.de/~ley/db/conf/sigmod/index.html), VLDB (http://www.informatik.uni-trier.de/~ley/db/conf/vldb/index.html), ICDM (http://www.informatik.uni-trier.de/~ley/db/conf/icdm/index.html), e ICDE.( http://www.informatik.uni-trier.de/~ley/db/conf/icde/index.html) 4. - R. Elmasri, S. B. Navathe, Sistemas de Banco de Dados, Pearson, 2010.
5- A. Silberschatz, H. F. Korth, S. Sudarshan, Sistema de Bancos de Dados, Campus, 2006.
___________________________________________
Leonardo Chaves Dutra da Rocha
Aprovado pelo Colegiado em
____________________________________
Coordenador
COORDENADORIA DO CURSO DE CIÊNCIA DA COMPUTAÇÃO
PLANO DE ENSINO
Disciplina: Modelagem Computacional Período: Variável Currículo: 2014
Docente: Alexandre Bittencourt Pigozzo Unidade Acadêmica: DCOMP
Pré-requisito: Cálculo Numérico Co-requisito: não há
C.H. Total: 72 Teórica: 36 Prática: 36 Grau: Bacharelado Ano: 2023 Semestre: 1
Ementa
Princípios e fundamentos de modelagem matemática e computacional. Tipos de modelos. Introdução aos modelos matemáticos contí- nuos. Modelos de crescimento populacional. Modelos de interações populacionais. Análise, implementação e simulação de modelos. Pro - cessos de movimentação: difusão e quimiotaxia. Modelos matemáticos discretos. Introdução aos modelos estocásticos.
Objetivos
Fornecer um embasamento teórico e prático em assuntos importantes nas áreas de modelagem matemática e computacional através da apresentação de conceitos fundamentais e da apresentação e resolução de diversos problemas práticos. Ao final da disciplina, o aluno deverá ser capaz de analisar um sistema/fenômeno simples e propor modelos que tentam reproduzir o comportamento do sistema, além de realizar simulações computacionais com os modelos e analisar os resultados obtidos. Espera-se também que os alunos tenham contato com a literatura da área através da leitura de artigos com uma posterior discussão e apresentação desses artigos em seminários.
Conteúdo Programático
1. Introdução
O que é Modelagem Computacional?
Aplicações;
Ciclo da modelagem;
Classificação de modelos.
2. Representação gráfica e simulação de modelos
Dinâmica de Sistemas, Modelos de Compartimentos;
Criando modelos no Insight Maker;
Simulações com o modelo: definição das condições iniciais e dos valores de parâmetros;
Analisando a influência das condições iniciais e dos parâmetros.
3. Equações Diferenciais Ordinárias (EDOs)
Introdução: A derivada como uma taxa de variação;
Exemplos clássicos da literatura;
Discretização das equações: Método de Euler e de Runge-Kutta;
Lei de ação das massas;
Implementando EDOs com as bibliotecas solve_ivp de Python e boost::odeint de C++;
Estimando parâmetros: Método dos mínimos quadrados e Evolução diferencial;
Análise de pontos de equilíbrio e da estabilidade deles;
Plano de fases.
4. Modelos estocásticos
Introdução;
Aplicações;
O algoritmo de Gillespie;
Exemplo: modelo SIR.
5. Equações Diferenciais Parciais (EDPs)
Introdução;
Exemplos;
Discretização com diferenças finitas;
Processos de movimentação: Migração, Difusão e Quimiotaxia;
Condições de contorno;
6. Autômatos celulares
Introdução, conceitos básicos;
Implementação;
Utilizando uma biblioteca para construção e simulação de ACs;
Utilizando um software para construção e simulação de ACs.
7. Modelos híbridos multi-compartimentos
Introdução, aplicações;
Uma ideia de implementação de modelos híbridos.
8. Visualização de dados
Tipos de gráficos;
Visualização de dados em uma, duas ou três dimensões.
9. Software para modelagem e simulação computacional
Representando modelos matemáticos e computacionais;
Estudo de um software para modelagem e simulação.
Metodologia de Ensino
O curso será desenvolvido através de aulas expositivas, exercícios durante as aulas e práticas em laboratório. Durante toda a disciplina, são realizadas práticas no laboratório para estudo, implementação e simulação de modelos. Serão implementados diversos tipos de modelos em diferentes linguagens de programação como C, C++ e Python. Os exercícios e os trabalhos práticos irão auxiliar no processo ensino-aprendizagem. Além disso, poderão ser realizados seminários para a apresentação e discussão de artigos na área.
Critérios de Avaliação
A avaliação do aprendizado será realizada através de três avaliações sendo: 1) Exercícios (E); 2) Seminário (S); 3) Trabalho Prático (TP).
Os pesos das avaliações serão distribuídos da seguinte forma: Exercícios = 40%, Seminário = 20% e Trabalho Prático = 40%. A nota final (NF) será calculada da seguinte forma: NF = 0,4*E + 0,2*S + 0,4*TP. Será dada uma lista de exercícios como avaliação substitutiva. O conteúdo da avaliação substitutiva será todo o conteúdo dado na disciplina e essa avaliação substituirá a menor nota obtida em uma das quatro avaliações. Só poderá realizar a avaliação substitutiva o discente que obteve a nota final menor do que 6,0. Caso o discente obtenha aprovação, com o uso da nota da avaliação substitutiva, sua nota final será igual a 6,0 pontos. Serão considerados aprovados os discentes que obtiverem nota final maior ou igual a 6,0 pontos e frequência mínima de 75%.
Bibliografia Básica
1. Morris W. Hirsch, Stephen Smale and Robert L. Devaney. Differential equations, dynamical systems and an introduction to chaos. 2004, Elsevier (USA).
2. Hiroki Sayama, Introduction to the Modeling and Analysis of Complex Systems. Open SUNY Textbooks, Milne Library.
3. James W. Haefner, Modeling Biological Systems: Principles and Applications. Second Edition. Springer, 2005.
Bibliografia Complementar
1. Ellner SP, Guckenheimer J. Dynamic Models in Biology. Princeton University Press, 2006.
2. Alenn B. Downey. Think Complexity. O’Reilly, 2012.
3. James Keener and James Sneyd. Mathematical Physiology I: Cellular Physiology. Second edition. Springer, 2009.
___________________________________________
Docente Responsável
Aprovado pelo Colegiado em
____________________________________
Coordenador(a)
COORDENADORIA DO CURSO DE CIÊNCIA DA COMPUTAÇÃO
PLANO DE ENSINO
Disciplina:
Oficina de Criação de Software Período: Variável Currículo: 2014
Docente:
Sofia Larissa da Costa Paiva Unidade Acadêmica: DCOMP
Pré-requisito: 1100 h Co-requisito: não há
C.H. Total:
72h Teórica:
18h Prática:
54h Grau: Bacharelado Ano:
2023 Semestre:
1
Ementa
Estudo de conceitos, técnicas e ferramentas sobre o desenvolvimento de software, com ênfase no processo criativo de aplicações práticas como uma experiência expressiva e tecnológica. Criação de um software por meio da realização de um desenvolvimento ao longo do curso.
Objetivos
Apresentar uma visão geral dos fundamentos, técnicas e ferramentas sobre o desenvolvimento de software, com ênfase em um processo moderno, prático e tecnológico. Capacitar na criação de software por meio de uso de técnicas e ferramentas modernas. Fomentar o desenvolvimento de aplicativos com aprimoramento de habilidades técnicas. Construir protótipos de modo a experimentar a construção de software na prática.
Conteúdo Programático
1. Fundamentos sobre a criação de software 2. Processos e ambientes para criação de software 3. Projeto do desenvolvimento de software
4. Desenvolvimento de software seguindo uma metodologia ágil
Metodologia de Ensino
Aprendizagem ativa, com o desenvolvimento prático de software; Exposição oral; Exposição de tema com auxílio de datashow e lousa;
Estudos dirigidos; Trabalho em Grupo; Desenvolvimento de trabalhos práticos; Apresentação de trabalhos práticos.
Critérios de Avaliação
A avaliação do desempenho na disciplina será realizada por meio de diversas atividades práticas ao longo do semestre: a proposta de projeto terá valor de 20%; o desenvolvimento do software será avaliado em 2 partes com valor de 25% cada e a apresentação final do projeto terá valor de 30%.
Bibliografia Básica
1) PFLEEGER, S. Engenharia de Software Teoria e Prática, Makron Books, 2004.
2) SCHWABER, KEN. Agile Project Management With Scrum 1a Ed. Microsoft Press 2004
3) HUNT A, THOMAS D. The Pragmatic Programmer: From Journeyman to Master 1st Ed Addison-Wesley Professional, 1999.
Bibliografia Complementar
1) SOMMERVILLE, I. Engenharia de Software, Pearson, 2003.
2) VALENTE, Marco Tulio. Engenharia de Software Moderna: Princípios e Práticas para Desenvolvimento de Software com Produtividade.
2020.
___________________________________________
Docente Responsável
Aprovado pelo Colegiado em
____________________________________
Coordenador
COORDENADORIA DO CURSO DE CIÊNCIA DA COMPUTAÇÃO
PLANO DE ENSINO
Disciplina:Pesquisa Operacional para Computação Período:5 Currículo:2014
Docente:Álvaro Rodrigues Pereira Júnior Unidade Acadêmica:DCOMP
Pré-requisito:
Álgebra Linear
Algoritmos e Estrutura de Dados II
Co-requisito:
não há
C.H. Total:72ha/66h Teórica:72ha/66h Prática:0ha/0h Grau:Bacharelado Ano:2023 Semestre:1
Ementa
Modelagem com Programação Linear. Método Simplex e Análise de Sensibilidade. Teoria da dualidade e Análise Pós-Otimização.
Programação Linear Inteira. Programação Dinâmica. Modelos de Otimização em Redes.
Objetivos
Apresentar os fundamentos de programação linear, inteira e dinâmica. Modelar problemas típicos e desenvolver soluções computacionais.
Conteúdo Programático 1. Introdução sobre Pesquisa Operacional
1. Modelos de Pesquisa Operacional 2. Soluções para um modelo de PO 3. Arte da modelagem
4. Fases de estudo em um problema de PO 5. Suporte a tomada de decisão
2. Modelagem com Programação Linear 1. Propriedades
2. Representação
3. Modelo Linear para problemas 3. Solução Gráfica em Programação Linear
1. Representação
2. Solução de um modelo de maximização 3. Solução de um modelo de minimização.
4. Solução por computador através de pacotes de PL 4. Método Simplex
1. Modelo de PL em forma de equação 2. O método simplex
3. Solução inicial artificial (método M-grande e de duas fases)
4. Casos especiais do simplex (degeneração, soluções alternativas, solução ilimitada e solução inviável) 5. Análise de Sensibilidade (gráfica e algébrica)
5. Dualidade
1. O problema dual 2. Relações primais-duais
3. Interpretação econômica da dualidade 4. Algoritmo dual simplex
5. Análise pós-otimização 6. Problema de transporte e variantes
1. Definição do problema de transporte 2. Problemas de transporte não tradicionais 3. O algoritmo para o problema de transporte 7. Otimização em Redes
1. Árvore Geradora Mínima 2. Problema do Caminho Mínimo 3. Problema do Fluxo Máximo 4. Problema de Transporte 5. Problema de Transbordo
6. Problema de Designação de Tarefas 8. Programação Linear Inteira
1. Caracterização de problemas de Programação Inteira 2. Relaxação Linear
3. Algoritmos de Programação Inteira
4. Problemas Clássicos de Programação Inteira 9. Programação Dinâmica
1. Natureza recursiva em PD 2. Aplicações selecionadas
Metodologia de Ensino
As atividades da disciplina estão organizadas por semanas de curso. A cada semana, um dia de aula (quinta-feira) terá novo conteúdo apresentado por aula expositiva (conteúdo teórico). O outro dia de aula da semana (terça-feira) será de consolidação do aprendizado do conteúdo da semana, que acontecerá em formato de atividade prática, individual ou em grupo, com entrega analógica ou digital, com listas de exercício ou uma tarefa sobre o projeto de curso em desenvolvimento, no próprio horário da aula ou em outra data, dependendo do estágio do curso e de características de cada conteúdo em aprendizado.
Ao final de cada aula teórica, será disponibilizada uma lista de exercícios, que deverá ser feita e entregue pelo estudante até a próxima aula prática.
Atendimento extra-classe: o aluno poderá tirar dúvidas diretamente com o professor em seu gabinete fora do horário de aula, em horário estabelecido para atendimento, que será as segundas-feiras e quartas-feiras, de 8:30 às 12h.
Critérios de Avaliação
A avaliação do aprendizado será realizada de forma contínua, a cada semana de curso, com atividades individuais e em equipe.
Ao todo, serão 15 semanas avaliativas (tirando a primeira semana, feriados, e deixando a última semana letiva para exame substitutivo).
Portanto, cada avaliação semanal valerá 1/15 do semestre. A cada semana, haverá uma questão avaliativa do conteúdo teórico, bem como uma avaliação prática.
Ao final do semestre, uma avaliação substitutiva sobre o conteúdo completo da disciplina será ofertada com as seguintes regras:
• Substituirá a menor nota entre a soma das avaliações teóricas e a soma das avaliações práticas em equipe.
• Caso a menor nota seja das atividades teóricas, será uma avaliação teórica.
• Caso a menor nota seja das atividades práticas, será uma avaliação prática com prazo de uma semana para ser completada.
• Só poderá ser feita por quem não possuir média para ser aprovado na disciplina e tiver frequência mínima exigida para aprovação.
• A nota final do aluno que fizer a substitutiva está limitada a 6 pontos.
• Somente quem puder ser aprovado substituindo a menor nota poderá fazer a prova que substitui toda a parte teórica ou prática.
Caso, durante o semestre, um estudante tenha necessidade de faltar a uma avaliação por questões de saúde ou por motivo de força maior, o estudante deve cumprir os trâmites do curso, fazendo a solicitação de reposição de avaliação junto ao CCOMP. Caso a solicitação seja aprovada, o estudante deverá fazer a atividade substitutiva ao final do semestre, no mesmo dia e horário em que ocorrerá a avaliação substitutiva do conteúdo completo (ficando o estudante livre para fazer as duas avaliações neste horário, caso seja necessário).
Bibliografia Básica 1. TAHA, H. A. Pesquisa Operacional. 2 ed. Pearson, 2008.
2. M. C. GOLDBARG, H. P. LUNA, Otimização combinatória e programação linear: modelos e algoritmos, Campus, 2005 3. ANDRADE, E. Leopoldino, Introdução à Pesquisa Operacional, LTC, 1999
Bibliografia Complementar
1. E. L. de ANDRADE, Introdução à pesquisa operacional: métodos e modelos para a análise de decisão, LTC, 2000 2. LACHTERMACHER, GERSON, Pesquisa Operacional na tomada de decisões – Rio de Janeiro:Campus 2002 3. C. LOESCH, N. HEIN, Pesquisa Operacional – Fundamentos e Modelos, Saraiva, 2008
4. M. S. BAZARAA, J. J. JARVIS, H. D. SHERALI, Linear Programming and Network Flows, Wiley-Interscience, 2004 5. G. M. CALOBA, Programação Linear, Interciência, 2006.
___________________________________________
Docente Responsável
Aprovado pelo Colegiado em
____________________________________
Coordenador