1. IDENTIFICAÇÃO E CARACTERIZAÇÃO DA DISCIPLINA:
|
Departamento: Ciências Exatas |
|
Código e Nome: LCE-0137 – Disciplina: LCE0137 -
Inteligência Artificial, Ciência de Dados e Robótica Aplicada para Gestão de Organizações
e Projetos Data Driven |
|
Código e Nome (Inglês): |
|
Código e Nome (Espanhol): |
CRÉDITOS
|
|
CARGA-HORÁRIA
|
||
|
Aula: |
02 |
|
Aula: |
20 |
|
Trabalho: |
|
|
Trabalho: |
|
|
Total: |
02 |
|
Total: |
20 |
NÚMERO DE TURMAS
( ESPECIFICAR POR CURSO ) |
|
NÚMERO DE
ALUNOS POR TURMA ( ESPECIFICAR POR
CURSO ) |
||
|
Teóricas: |
01 |
|
Teóricas: |
20 |
|
Práticas: |
01 |
|
Práticas: |
20 |
|
Teórico-Práticas: |
|
|
Teórico-Práticas: |
|
Possui
Atividades Práticas com Animais e/ou Materiais Biológicos Passível de Análise
pela CEUA? __Naõ___
|
CURSO PARA O QUAL É OFERECIDA |
X |
SEMESTRE |
OBRIGATÓRIA |
OPTATIVA ELETIVA |
REQUISITO(S) EXIGIDO(S) |
|
Engenharia Agronômica |
X |
5º |
|
X
|
|
Engenharia Florestal
|
X |
5º |
|
X
|
|
Ciência dos
Alimentos
|
X |
5º |
|
X
|
|
Gestão
Ambiental
|
X |
7º |
|
X
|
|
Ciências
Biológicas
|
X |
9º |
|
X
|
|
Administração
|
X |
7º |
|
X
|
|
|
Professor(es) Responsável(eis)
Gabriel Adrián Sarriés e Cristian Marcelo Villegas Lobos.
|
UNIVERSIDADE DE SÃO
PAULO – ESCOLA SUPERIOR DE AGRICULTURA “LUIZ DE QUEIROZ”
Av. Pádua Dias, 11 – Piracicaba, SP –
Brasil – Cep 13418-900 – http://www.esalq..usp.br
Curso para o qual será oferecida nos termos
das Resoluções 3045/86 e 4749/00 |
Optativa Eletiva |
Extracurricular**
|
Não se aplica |
Requisito(s) Exigido(s) |
Número de Vagas |
|
Eng. Agronômica |
X |
|
|
|
04 |
|
Eng.
Florestal |
X |
|
|
|
03 |
|
Ciência dos
Alimentos |
X |
|
|
|
03 |
|
Gestão
Ambiental |
X |
|
|
|
04 |
|
Ciências Biológicas |
X |
|
|
|
03 |
|
Administração |
X |
|
|
|
03 |
2. OBJETIVOS:
|
Inteligência Artificial
(IA), Ciência de Dados Robusta (CDR) e Robótica Aplicada (RA) para Gestão de Organizações
e Projetos Data Driven. Desenvolver no aluno senso crítico e
habilidades em Inteligência Artificial, Ciência de Dados e Robótica Aplicada
para Gestão de Organizações e Projetos Data Driven. Com aplicações em Data
Mining, Big Data e Gestão – Sistemas Mundiais de Gestão- para Inovação e
hipercompetitividade. O conhecimento será útil em sua vida acadêmica e
principalmente no mercado de trabalho, aumentando significativamente a
empregabilidade e competitividade do egresso. |
3. PROGRAMA
ANALÍTICO:
A) Inteligência
Artificial (IA): conceito, algoritmos e aplicações em gestão, engenharia,
biologia, economia, ambiência e pesquisa. Aprendizado de máquina e redes
neurais, comparação de resultados com métodos estatísticos convencionais. Conceituação,
tipos e aplicações da Inteligência Artificial (IA), RA (Robótica Aplicada) e CDR
(Ciência de Dados Robusta): indutiva, supervisionada para classificação, para predição
e não supervisionada B) Algoritmos para inteligência artificial indutiva e dedutiva,
implementações em Python (IDEs: Jupyter, VS Code, Pycharm
e Spyder Python IDE), SAS, R, Weka, RapidMiner e JMP, os alunos aprenderão a
utilizar Weka, programa exclusivamente de IA, visual, amigo do usuário, SAS o
mais importante para empregabilidade, linguagem de quarta geração e Excel Avançado.
Serão apresentadas linguagens de computação de alto e baixo nível, de primeira até
quinta geração. Os algoritmos de IA Indutiva, Machine Learning que serão ensinadas
são: Redes Neurais (Multilayer Perceptron) com diferente número de
camadas de neurônios, hiper parâmetros e funções de inicialização, Random Forest,
Suport Vector Machine, Naives Bayes, CART, Deep Learning, Função Logística,
Analise Discriminante Linear, Quadrático, Bayesiano e Robusto, Funções Canônicas
1D, 2D e 3D (redução de dimensão), PCA e Biplot, Cluster Analysis, Factor
Analysis Exploratório, Confirmatório e Equação de Modelos Estruturais. Visual
Analytics. C) Parâmetros da IA, hiper parâmetros e funções de inicialização, learning
rate, momentum etc. Parâmetros provenientes da Matriz de Confusão: Taxa de Acerto-Acuracy,
Erro Tipo I e II, Taxa de Falsos Positivos e Negativos, Especificidade, Sensibilidade
(recall), Taxa de Omissão, Precisão, F1Score,
FDR, Predição Negativa, tamanho ótimo de amostra para IA Indutiva, Índice de
Generalização, Overfiting etc. Publicações dos professores da disciplina
utilizando os conceitos na ESALQ e CENA. D) CDR univarida, multivariada, conjoint
analysis (fatoriais fracionários), interação dupla e tríplice, regressão robusta
e polinomial, uniformidade e capacidade de processos uniformidade e capacidade
de processos, U de Mann Witney, Wilcoxon, NPANOVA, NPMANOVA, Correlações Canônicas,
Robust Multivariate Regression, Gráfico
de Uniformidade-Controle para a Mediana, Cusum, MMEP, Gráficos de Capacidade de
Processos Robustos, uni e multivariados, Proficiência de Organizações, Metrologia,
métodos robustos. E) Robótica Aplicada, analise, projeto, prototipação,
codificação, testes e documentação de robôs e aplicativos para pc, tablet e
celular linguagens Python e C, comparação em custo, desempenho e segurança, Digrama
de Nassi Schneiderman, Diagrama Hierárquico de Blocos, DFD, Diagrama Entidade Relacionamento,
simulação computacional, Bootstrapping e Jackknife, Monte Carlo, do desempenho
de aplicativos e robôs. F) Métodos estatísticos para Data Mining. G) Métodos de
gestão e certificação internacional da qualidade. O NIT Qualidade e Metrologia
na Agropecuária USP/EMBRAPA/CNPq/Indústria. Aplicação de IA e Data Mining na
Gestão da Inovação em ambientes de Hipercometitividade. H) Organizações e Projetos
Data Driven, conceito, sistemas e ferramentas de gestão, IA-CDR e RA.
4. PROGRAMA RESUMO (ementa)
A) Inteligência Artificial
(IA): conceito, algoritmos e aplicações em gestão, engenharia, biologia,
economia, ambiência e pesquisa. Aprendizado de máquina e redes neurais,
comparação de resultados com métodos estatísticos convencionais. Conceituação,
tipos e aplicações da IA, RA e CDR. B) Algoritmos para inteligência artificial indutiva
e dedutiva, implementações em Python, SAS, R, Weka, Excel Avançado, RapidMiner
e JMP. C) Parâmetros da IA, hiper parâmetros e funções de inicialização, parâmetros
provenientes da Matriz de Confusão: Acuracy, Erro Tipo I e II, Falsos
Positivos, Negativos, Especificidade, Sensitividade, Precisão etc. Publicações dos
professores da disciplina utilizando os conceitos na ESALQ e CENA. D) CDR univarida,
multivariada, conjoint analysis (fatoriais fracionários), interação dupla e tríplice,
uniformidade e capacidade de processos. E) Robótica Aplicada, analise, projeto,
prototipação, codificação, testes e documentação de robôs e aplicativos para pc,
tablet e celular linguagens Python e C, comparação em custo, desempenho e segurança. F)
Métodos estatísticos para Data Mining. G) Métodos de gestão e certificação
internacional da qualidade. O NIT Qualidade e Metrologia na Agropecuária
USP/EMBRAPA/CNPq/Indústria. Aplicação de IA e Data Mining na Gestão da Inovação
em ambientes de Hipercometitividade. H) Organizações e Projetos Data Driven.
5. DISTRIBUIÇÃO
DA CARGA HORÁRIA:
Referente
aos Créditos-Aula:
|
Aulas Teóricas........................................................................................................ |
|
|
|
Aulas Práticas......................................................................................................... |
|
|
|
Seminários............................................................................................................. |
|
01 |
|
Aulas Teórico-Práticas............................................................................................ |
|
01 |
Referente aos Créditos-Trabalho:
|
Planejamento, Execução e
Avaliação de Pesquisas.................................................... |
|
|
|
Trabalhos de Campo ou
Laboratório......................................................................... |
|
|
|
Relatórios, Projetos,
Plantas, etc. ............................................................................. |
|
|
|
Leituras Programadas.............................................................................................. |
|
|
|
Excursões............................................................................................................... |
|
|
|
Trabalhos Especiais de
Acordo com a Natureza da Disciplina.......................................................................................................... |
|
|
|
Estágio Supervisionado........................................................................................... |
|
|
|
Outros (especificar)................................................................................................. |
|
|
6) AVALIAÇÃO DA
APRENDIZAGEM
a MÉTODO
A avaliação do aprendizado é
feita por meio de prova (P), relatórios (R) e apresentação de
seminário (S) utilizando
hipermidias.
b) CRITÉRIO:
A
média final é obtida da seguinte forma: 0,3 P + 0,35 R + 0,35 S.
c) NORMA DE
RECUPERAÇÃO:
Não haverá recuperação.
7. BIBLIOGRAFIA
Literatura Básica:
ALCOFORADO, L. F. Utilizando
a linguagem R: conceitos, manipulação, visualização, modelagem e elaboração de
relatórios. Editora Alta Books, São Paulo. 2021. 384p.
AZEVEDO FILHO, A. J. B.V. .
Princípios de Inferência Dedutiva e Indutiva: Noções de Lógica e Métodos de
Prova. 1/1. ed. Scotts Valley, EUA: CreateSpace Publishers,
2010. v. 1. 140p.
MICROSOFT. Office Online. Janeiro 2010. <http://office.microsoft.com/en-us/training/CR061829401033.aspx>
MENEZES, N. N. C. Introdução
à Programação com Python: Algoritmos e Lógica de Programação Para Iniciantes,
3a ed, 2019.
MONDEN, Y. Toyota Management System: Linking the Seven Key Functional
Areas. Kindle,
USA. 2018. 435p.
SARRIÉS, G.A. Site da
Disciplina LCE 137, 1998. Disponível em: <https://sites.google.com/view/lce137-usp-gabriel
>. Acesso em: 15/2/2022.
SARRIÉS, G.A. Blog da Disciplina
LCE 137, 2002. Disponível em < https://mercado-gestao-empeend.blogspot.com/ >. Acesso em: 15/2/2022.
SARRIÉS, G.A. Projeto Inteligência
Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível em < https://sites.google.com/usp.br/ia-cd-ra-gestao-gabriel
>. Acesso em: 15/2/2022.
SARRIÉS, G.A. Gabriel
Informação e Inteligência Organizacional (BI). Gabriel-Informa-intel-
organiza.blogspot.com.br.
2015.
TURBAN, E. & RAINER,
R. K. & PORTTER, R. E. Introdução a Sistemas de Informação uma
Abordagem Gerencial. São Paulo: Editora Campus. 2007, 457p.
Literatura Complementar:
ISHIKAWA, K. Guide to
quality control. Tokyo: Kraus Asian Productivity Organization, 1982. 221p.
JURAN, J.M.; GRYNA, F.M. Juran
controle da qualidade: métodos especiais de apoio à qualidade. São Paulo: Makron
Books, 1993. 193p.
LIKER, K. & MEIER D.
O Modelo Toyota, Manual de Aplicação. Porto Alegre: Bookman, 2007. 432p.
SARRIÉS, G.A. Treinamentos
em Inteligência Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível
em < https://sites.google.com/view/ia-cd-treinamentos-usp-gabriel>. Acesso
em: 15/2/2022.
SARRIÉS, G.A. Workshops em Inteligência
Artificial, Ciência de Dados e Robótica Aplicada. 2021. Disponível em < https://sites.google.com/usp.br/melhorar-empregab-competit
>. Acesso em: 15/2/2022.
Nenhum comentário:
Postar um comentário