Graduação em Banco de Dados

Desenvolvimento de aplicações para Data Science utilizando Python, abordando lógica de programação, pensamento computacional, estruturas de dados, programação orientada a objetos, manipulação e persistência de dados, integração com APIs e serviços externos, automação, desenvolvimento de aplicações interativas, versionamento de código e utilização de Inteligência Artificial como apoio ao desenvolvimento de software, preparando o estudante para construir soluções modernas orientadas por dados.

Introdução aos fundamentos de Business Intelligence, Visual Analytics e Data Storytelling, com foco na compreensão de problemas de negócio, definição de indicadores, análise exploratória, construção de dashboards e comunicação de insights para apoiar a tomada de decisão baseada em dados.

Aplicação de técnicas de análise exploratória de dados e fundamentos estatísticos para identificação de padrões, interpretação de resultados e suporte à tomada de decisão baseada em dados.

Modelagem conceitual e lógica de dados, implementação de bancos de dados relacionais e utilização de SQL para organização, consulta, integração e preparação de dados em cenários reais, com foco em Data Analytics e apoio da Inteligência Artificial para aumentar a produtividade e a qualidade das análises.

Introdução ao ecossistema moderno de dados, abordando os fundamentos de Big Data, bancos de dados relacionais e NoSQL, arquiteturas distribuídas, modelos modernos de armazenamento, Cloud Data e tecnologias utilizadas em ambientes analíticos escaláveis para suportar aplicações orientadas por dados.

Introdução aos conceitos fundamentais de Inteligência Artificial e Aprendizado de Máquina, abordando os principais paradigmas de Machine Learning, aplicações práticas, fundamentos da IA Generativa e seu uso inicial no contexto da análise de dados e da tomada de decisão baseada em dados.

Construção de soluções que envolvam sustentabilidade e explorem a gestão no respeito e convivência com as diferenças sociais e culturais.

Desenvolvimento de modelos de Machine Learning e técnicas de preparação de dados, com foco na construção, avaliação, validação e otimização de modelos preditivos. Aborda práticas de Feature Engineering e Feature Selection, ajuste de hiperparâmetros, interpretação e explicabilidade de modelos, preparando os estudantes para desenvolver soluções analíticas confiáveis e aplicadas a problemas reais.

Desenvolvimento de pipelines de dados para ingestão, transformação, integração e disponibilização de informações em arquiteturas modernas. Aborda processos ETL e ELT, ingestão de dados em ambientes batch e streaming, orquestração, qualidade, monitoramento e observabilidade de pipelines, preparando dados para aplicações analíticas, Business Intelligence e Inteligência Artificial.

Estudo das principais arquiteturas e tecnologias de armazenamento de dados em ambientes modernos, abordando Data Warehouses, Data Lakes, Lakehouses e bancos NoSQL. Explora modelagem dimensional para ambientes analíticos, armazenamento distribuído, formatos modernos de armazenamento, Open Table Formats, desempenho, escalabilidade, governança e integração com plataformas de Analytics, Machine Learning e Inteligência Artificial.

Estudo dos fundamentos da Inteligência Artificial Generativa e sua aplicação no ecossistema de dados. Aborda a evolução do Machine Learning para o Deep Learning, os princípios das Redes Neurais, a arquitetura Transformer, mecanismos de Attention e os Grandes Modelos de Linguagem (LLMs). Explora Prompt Engineering, embeddings, modelos multimodais, engenharia de contexto, agentes inteligentes, recuperação aumentada por geração (RAG), Fine-tuning (visão geral), avaliação de aplicações baseadas em IA Generativa e sua utilização em Business Intelligence, Analytics, Engenharia de Dados e Ciência de Dados.

Desenvolvimento, integração e disponibilização de soluções de dados e Inteligência Artificial em ambientes Cloud, utilizando APIs, conteinerização, serviços gerenciados e boas práticas de engenharia. Aborda: deploy de aplicações analíticas e modelos de IA, integração entre sistemas, automação, monitoramento, observabilidade, segurança, versionamento, CI/CD e fundamentos de MLOps para operacionalização de soluções escaláveis e confiáveis.

Estudo dos princípios de concepção, desenvolvimento, disponibilização e governança de Data Products, integrando dados, Analytics e Inteligência Artificial ao contexto organizacional. Aborda métricas de negócio, Product Analytics, gestão do ciclo de vida de produtos de dados, qualidade, catálogo, linhagem e governança de dados, Inteligência Artificial Responsável, ética, privacidade, segurança, conformidade, observabilidade e monitoramento de produtos de dados, preparando o estudante para desenvolver soluções que gerem valor ao negócio de forma segura, escalável e sustentável.