Anexo I

ANEXO I
Projeto de Curso de Pós-graduação Lato Sensu
Informação Detalhamento
1. Nome do Curso e Área do Nome do Curso: MBA em Data Science e Statistics
Conhecimento
Área do conhecimento: Ciência da Computação
2. Justificativa
O MBA em Data Science e Statistics é um curso de
Pós-Graduação Lato Sensu que tem como objetivo
implementar os fundamentos de ferramentas para a tomada de
decisões estratégicas, por meio de estruturas de dados e da
mineração de dados.
A estrutura curricular do curso pretende possibilitar a

compreensão de conceitos e processos de reconhecimento de
perfis – Dar suporte à tomada de decisão, com auxílio de
modelos estatísticos selecionados que expliquem um
problema ou uma oportunidade de negócio e as incertezas
associadas.
Extrair, organizar e combinar dados, estruturados ou

não, numéricos ou textuais, para a modelagem estatística do
problema ou da oportunidade de negócio.
Desenvolver sistemas de processamento de dados
(incluindo larga escala) que viabilizem a análise de modelo
estatístico aplicado aos dados referentes ao assunto em
questão;
Utilizar técnicas de design na formulação de problemas

ou oportunidades de negócio e criação de possíveis soluções,
interagindo de forma assertiva junto aos stakeholders.
Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Campus Betânia - Avenida da Universidade, 850 - Betânia - CEP 62.040-370 | Sobral - Ceará
(88) 3611-6669 | proed@uvanet.br | www.uvanet.br
3. Histórico da Instituição
O Instituto de Capacitação Business School Brasil
(BSBr) já existe há mais de 8 anos e foi fundado pelo
professor Doutor José Bezerra da Silva filho, Doutor em
Engenharia pela Universidade Federal de Campina Grande
(UFCG) e University of Maryland at College Park (EUA);
Mestrado em Ciência da Computação pela UFCG.
O BSBr tem como proposta oferecer cursos de

excelência, que atendam às exigências do mercado,
fundamentados na valorização do ser humano, ao enxergá-lo
como fonte de riqueza e transformação. Seu diferencial
competitivo é evidenciado pelos resultados surpreendentes e
duradouros que seus programas de capacitação
proporcionam. Cursos que em sua maioria são inéditos e
contam com projetos pedagógicos diferenciados, ministrados
por um corpo docente altamente qualificado, para preparar o
aluno com bases sólidas, transformando-o em um profissional
pleno.
Missão da BSBr:
Capacitar os nossos alunos e colaboradores para o
desenvolvimento pessoal profissional, contribuindo para a
formação das pessoas e das organizações.
4. Objetivos Geral:
Implementar os fundamentos de ferramentas para a
tomada de decisões para melhorar exponencialmente os
produtos, bem como as operações do dia-a-dia das
organizações.
Específicos:
Capacitar profissionais para o entendimento de metas e
estratégias na visão de propósito de negócios de uma
organização, por meio do uso adequado das análises
estatísticas para a tomada de decisão.

5. Público Alvo
Profissionais graduados nas mais diversas áreas de
estudo, que desejam especialização em estatística e TI com
foco em inteligência de negócios, por meio do uso de
tecnologia da informação.
Participantes que têm como foco a atuação em funções

tático-estratégicas de negócios de uma organização, ou seja,
os chamados serviços de inteligência. Profissionais que
desejam desenvolver perfil de liderança e motivação de
equipes, no âmbito de gestão estratégica de dados aliada ao
TI de uma corporação.
CONTRIBUIÇÃO AOS EGRESSOS:

Ao término do Curso de Especialização em MBA em
Data Science e Statistics o profissional deverá ser plenamente
capaz de gerenciar grandes projetos da área de análise de
dados.

6. Concepção do Curso
O MBA em Data Science e Statistics é um Curso Lato
Sensu que pretende formar especialistas por meio de
atividades integradas de ensino e pesquisa multidisciplinar,
com forte embasamento científico para o exercício profissional
e acadêmico.
Verifica-se a crescente necessidade de uma formação

interdisciplinar que abrange as áreas de estatística e TI, e que
também enfoque as condicionantes da análise de dados. As
particularidades, a rápida transformação, a abrangência e a
importância dessas tecnologias nos setores produtivos e de
serviços modernos requerem uma contínua educação por
parte dos atores gerenciais.
7.Coordenação
Professor Doutor José Bezerra da Silva Filho. Possui
doutorado em Engenharia pela Universidade Federal de
Campina Grande / University of Maryland at College at College
Park (USA) e mestrado em Ciência da Computação pela
UFCG. Atualmente é sócio-diretor do Instituto de Capacitação
Business School Brasil - BSBr e trabalhou por 34 anos no
Banco do Nordeste do Brasil (BNB). Foi o coordenador
fundador do Mestrado em Informática Aplicada da Unifor. Já
coordenou 32 cursos de especialização.
8. Carga Horária A carga horária será de 420 horas de aulas.

9. Período e Periodicidade O curso terá duração de 24 meses, com início em 2022
e término em 2024.
10.Conteúdo Programático 1) Fundamentos a Ciência de Dados (20h)

Ementa
O que é Ciência de dados, quem pode se beneficiar da
mesma e onde se aplica, sua origem, campos de estudo
envolvidos, por que fazemos ciência de dados, O que é
Inteligência Artificial e Machine Learning e por que é objeto de
desejo das empresas, Qual o link entre Estatística e Ciência
de dados, qual passado, presente e futuro da Ciência de
dados. Qual papel de nós humanos dentro da Ciência de
Dados, será que seremos substituídos por Máquinas? Como
tomar melhores decisões em Ciência de Dados e qual a
importância de ter o conhecimento de domínio no negócio para
realizar análises mais fidedignas. Reflexão e prática para
solução dos problemas certos de forma coerente e criativa que
entregue valor aos usuários, empregando um processo claro,
concreto e centrado no humano (user centered design).
Referências:
Básica:
MANUAL DE ANÁLISE DE DADOS: Estatística e
Modelagem Multivariada com Excel SPSS e Stata. 1. ed. São
Paulo: GEN LTC, 2017. 1216 p. ISBN 8535270876.
DATA SCIENCE PARA NEGÓCIOS: O que você
precisa saber sobre Mineração de Dados e Pensamento
Analítico de Dados. 1. ed. [S. l.]: Alta Books, 2016. 404 p.
ISBN 8576089726.
STORYTELLING COM DADOS: um guia sobre
visualização de dados para profissionais de negócios. 2. ed.
[S. l.]: Alta Books, 2019. 256 p. ISBN 8550804681.
Complementar:
COLEÇÃO NEUROAPRENDIZAGEM: Aprendendo
Inteligência. 1. ed. [S. l.]:Aleph, 2018. 768 p.ISBN
8550804681.
A ARTE de lidar com pessoas: A inteligência
interpessoal aplicada. 5. ed. [S. l.]: Planeta, 2007. 168 p. ISBN
8576652390.
KAHNNEMAN, Daniel. Rápido e devagar: duas formas
de pensar. 19. reimpr. Rio de Janeiro: Objetiva, 2017. 608p., il.
ISBN 9788539003839.
2) Estatística Descritiva e Construção de Dashboards (20h)

Ementa
Estatística Descritiva: Conceitos básicos fundamentais,
tipos de variáveis, Tabelas de distribuição de frequências,
Motivo de fazer um gráfico e formas de apresentação dos
dados em gráficos e grafos. O que são Medidas de posição e
dispersão, como calculá-las e interpretá-las, o que é
Assimetria, Curtose, Box-plot, Outlier, Ponto influente e como
utilizar o Box-plot para detecção de Outlier. O que é R, qual a
sua importância, história, o que é RStudio e o que são
pacotes. Instalando o R e RStudio. Como fazer um projeto
prático com bases reais e realizar dashboards no R,
disponibilizando o mesmo online para subsídio à tomada de
decisão.
Referências:
Básica:
BARBETTA, Pedro Alberto; REIS, Marcelo Menezes;
BORNIA, Antônio Cézar.
ESTATÍSTICA para Cursos de Engenharia e
Informática. Editora Atlas, 3ª edição, 2010.
BUSSAB, Wilton de O. e MORETTIN, Pedro A.
Estatística Básica Editora Saraiva, 8ª edição, 2013.
TRIOLA, Mário F., Introdução à Estatística, LTC
Editora, 11ª edição, 2013.
Complementar:
HOEL, P.G.; PORT, S.C. & STONE, C.J. Introdução à
Teoria da Probabilidade. Ed. Inter ciência, 1978; ROSS,
Sheldon, Probabilidade: Um curso Moderno com Aplicações, 8
ed. Porto Alegre, Bookman, 2010.
SPIEGEL, Murray R e STEPHENS, Larry J. Estatística.
Bookman, 4ª edição, 2009.
MOOD, A.M.; GRAYBILL, F.A. ; BOES, D.C.
Introduction to the Theory of Statistics. MacGraw-Hill, 1974.
FÁVERO, L. P., Belfiore, P. Manual de Análise de
Dados: Estatística e Modelagem Multivariada com Excel®,
SPSS® e Stata®. Brasil: Elsevier Editora Ltda, 2017.
3) Fundamentos de Cálculo das Probabilidades (20h)

Ementa
Conceitos e Axiomas de Kolmogorov, Atribuição de
Probabilidades, Probabilidade da União, Probabilidade da
Interseção e Leis de DeMorgan, Lei da probabilidade total,
Independência de eventos. Probabilidade condicional
(Teorema de Bayes). O que são variáveis aleatórias, Tipos de
variáveis aleatórias, distribuições discretas de Probabilidade
(Bernoulli, Binomial, Poisson, Geométrica e Hipergeométrica).
Aproximações: Hipergeométrica pela Binomial e Binomial pela
Poisson. Distribuições de Probabilidade Contínua (Uniforme,
Exponencial e Normal). Relação entre a distribuição Poisson e
Exponencial. Funções lineares de variáveis normais
(combinação linear, soma e média).
Referências:
Básica:
MORGADO, A. C. Análise combinatória e
probabilidade. Rio de Janeiro: [s.n.], 2000. 191 p. (Coleção do
Professor de Matemática).
DANTAS, C. A. B. Probabilidade: um curso introdutório.
3. ed. São Paulo: Ed. USP, 2008.
MEYER, P. L. Probabilidade: Aplicações à Estatística. 2
ed. Rio de Janeiro: LTC, 1983.
Complementar:
FELLER, William. An introduction to probability theory
and its applications. 3 ed. New York: John Wiley, 1950. v.1.
499 p.
FERNANDEZ, Pedro J. Introdução à teoria das

probabilidades. Rio de Janeiro: Livros Técnicos e Científicos,
1973. 162 p.
HOEL, P.G.; PORT, S.C. & STONE, C.J. Introdução à
Teoria da Probabilidade. Ed. Interciência, 1978; ROSS,
Sheldon, Probabilidade: Um curso Moderno com Aplicações, 8
ed. Porto Alegre, Bookman, 2010.
4) Noções de Amostragem, Estimação e Inferência

Estatística (20h)

Ementa
Noções de Amostragem (O que é Amostragem,
conceitos básicos de amostragem e quais são seus tipos),
Estimação (estimação pontual versus intervalar, conceitos
básicos da estimação, propriedades desejáveis de um bom
estimador, vício/viés de um estimador, consistência de um
estimador e exemplos de métodos de estimação) e Inferência
Estatística (O que é e como funciona o Teorema Central de
Limite (TCL), O que é intervalo de confiança e seus tipos,
como calcular o tamanho da amostra para estimar a média e
proporção populacionais, testes de hipóteses e quais são seus
tipos, Métodos para testar hipóteses, O que é Região crítica e
P-valor.
Referências:
Básica:
CASSELLA. G. and Berger, L. Statistical Inference,
2nd Ed., Pacific Grove: Duxbury/Thomsom Learning. 2002.
DUDEWICZ, E., J. and Mishra, S. N. Moderm
Mathematical Statistics. 1st Ed., New Yorr: John Wiley and
Sons 1988.
MOOD. a. m., graybill, f. a., and boes, d. Introduction
to the theory of statístics, 3rd Ed., New York; McGraw Hill,
1974.
BOLFARINE, H., Bussab, W. d. O. (2005). Elementos
de Amostragem. Brasil: Blucher.
Complementar:
AZZALINI, A. Statistical Inference Based on the

Likelihood. London: Chapman and Hall, 1996.
BICKEL, P.J., DOKSUM, K.A. Mathematical statistics:
basic ideas and selected topics, 2nd ed. Vol I, Updated
Printing. Pearson Prentice Hall, Upper Saddle River, NJ, 2007.
HOGG, R.V., CRAIG, A.T. Introduction to mathematical
statistics, Macmillan, London, 5th ed., Macmillan, 1995.
GARTHWAITE, P.H., JOLLIFFE, I.T., JONES, B.
Statistical Inference Statistical inference, 2nd ed. Oxford
University Press, New York, 2002.
5) Fundamentos de SQL (10h)

Ementa
Estudo das formas normais 1FN, 2FN e 3FN.
Introdução ao Modelo Físico: Linguagem SQL. Criando banco
de dados, tabelas, relações, campos e tipos de dados. Uso de
linguagem para manipulação de dados. Inserção de dados,
consultas, alteração e exclusão de dados usando linguagem
de programação. Lógicas de Manipulação de dados (Filtros,
agregações e Uniões de Tabelas (Join´s).
Referências:
Básica:
HEUSER, Carlos Alberto. Projeto de Banco de Dados.
6ª ed. São Paulo: Bookman, 2008.
OLIVEIRA, Celso Henrique Poderoso de. SQL: Curso
Prático. São Paulo: Novatec, 2002.
ELMASRI, Ramez E.; NAVATHE, Shamkant. Sistemas
de Bancos de Dados. 4ª ed. São Paulo: Pearson, 2005.
Complementar:
SETZER, Valdemar W. ; SILVA, Flávio Soares Corrêa

da. Bancos de Dados. São Paulo: Edgard Blucher, 2005.
6) Machine Learning: Modelos Supervisionados “Clássicos”

(30h)
Ementa
Conceitos básicos sobre aprendizado de máquina.
Método CRISP-DM para criação, seleção, aperfeiçoamento e
monitoramento dos modelos de Aprendizado supervisionado:
regressão e classificação; regressão Linear simples e múltipla,
regressão polinomial, regressão de Poisson para dados de
contagem com dados inflacionados de zero ou não,
modelagem multinível com somente um nível; regressão
logística simples e múltipla, regressão quantifica e regressão
de cox; Métricas de seleção adequadas a cada tipo de modelo
e métodos de seleção automatizada (STEPWISE, Backward e
Foward).
Referências:
Básica:
BORHANI, J. Watt, R and A. KATSAGGELOS, K.
Machine Learning Refined: Foundations, Algorithms, and
Applications. New York: Cambridge University Press, 2016.
BISHOP, C. M. Pattern Recognition and Machine
Learning. Springer, 2006.
ABU-MOSTAFA,Y. S., M. MAGDON-ISMAIL, and H.-T.
Lin, Learning from Data: A Short Course. AMLbook.com, 2012.
WASSERMAN, Neter, J. W. Applied linear
statistical models: regression, analysis of variance, and
experimental designs. Estados Unidos: R. D. Irwin, 1974.
Complementar
JAMES, G, WITTEN, D., HASTIE T. and R. Tibshirani,
An Introduction to Statistical Learning.
Springer, 2013.
T. Hastie, R. Tibshirani, and J. H. Friedman, The
Elements of Statistical Learning: Data Mining, Inference, and
Prediction, 2nd ed. Springer, 2009.
MURPHY, K. P. Machine Learning: A Probabilistic
Perspective. MIT Press, 2012.
FÁVERO, L. P., BELFIORE, P. Manual de Análise de

7) Machine Learning: Modelos Supervisionados “Modernos”
(30h)
Ementa
Modelos de Aprendizado supervisionado: Decision tree,
Random forest, Suport Vectors Machine, Ensemble modeling
(Método de Bagging, Boosting) e Redes neurais (Redes
profundas, convolucionais e recursivas).
Referências:
Básica:
BORHANi, J. Watt, R. and A. K. KATSAGGELOS,

Machine Learning Refined: Foundations, Algorithms, and
Applications. New York: Cambridge University Press, 2016.
ABU-MOSTAFA, M. Y. S. MAGDON-ISMAIL, and H.-T.
Lin, Learning from Data: A Short Course. AMLbook.com, 2012.
Complementar:
James, G. Witten D. T, Hastie, Tibshirani and R., An

Introduction to Statistical Learning.Springer, 2013.
HASTIE T., R. TIBSHIRANI, and J. H. FRIEDMAN,
The Elements of Statistical Learning: Data Mining, Inference,
and Prediction, 2nd ed. Springer, 2009.
MURPHY, K. P., Machine Learning: A Probabilistic
8) Deploy de Modelos de Machine Learning (20h)

Ementa
O que é uma API? Desenvolvendo APIs com pacote
Plumber, conceitos importantes, Compreensão dos conceitos
de Routes and Input, Compreensão dos conceitos de
Rendering output, Conectando com fontes de dados Externos,
Implementando segurança em sua API, Construindo api na
prática, O que é Docker, o Que é SHINY, Efetuando o deploy
da API Plumber com Docker, o que é NGINX e como testar
sua API. Como colocar modelos em produção na prática com
R.
Referências:
Básica:
MARSLAND, S. Machine Learning – An Algorithmic

Perspective. CRC Press, 2015.
MÜLLER, A. C. & GUIDO, S. Introduction to Machine
Learning with Python. O’Reilly Media, 2017.
GÉRON, A. Hands-On Machine Learning with Scikit-
Learn and TensorFlow. O’Reilly Media, 2017.
Complementar:

ABU-MOSTAFA, Y. S., MAGDON-ISMAIL, M. & LIN,
H. Learning from Data.
AMLBOOK, 2012T. HASTIE, R. TIBSHIRANI, and J. H.
FRIEDMAN, The Elements of Statistical Learning: Data Mining,
Inference, and Prediction, 2nd ed. Springer, 2009.
MURPHY, K. P. Machine Learning: A Probabilistic
9) Machine Learning: Modelos Não Supervisionados

(20h)
Ementa
Os modelos não supervisionados de machine learning;
Estudar a relação entre variáveis de determinado banco de
dados, sem que haja a intenção de se criarem modelos
preditivos. Classificação ou agrupamento de observações e
variáveis; Desenvolver diagnósticos acerca do comportamento
dos dados em análise. Técnicas exploratórias multivariadas:
Métodos estudados (Análise dos Componentes Principais
(PCA), Análise fatorial (EFA), Análise de Agrupamentos
(Clusters), Análise de discriminante e análise de
correspondência simples e múltipla (ANACOR).
Referências:
Básica:
MARSLAND, S. Machine Learning – An Algorithmic

Perspective. CRC Press, 2015.
MÜLLER, A. C. & GUIDO, S. Introduction to Machine
Learning with Python. O’Reilly Media, 2017.
GÉRON, A. Hands-On Machine Learning with Scikit-
Learn and TensorFlow. O’Reilly Media, 2017.
FÁVERO, L. P., Belfiore, P. Manual de Análise de
Complementar:

ABU-MOSTAFA, Y. S., MAGDON-ISMAIL, M. & LIN,
H. Learning from Data.
AMLBOOK, T. HASTIE, R. TIBSHIRANI, and J. H.
FRIEDMAN, The Elements of Statistical Learning: Data Mining,
Inference, and Prediction, 2nd ed. Springer, 2009.
MURPHY, K. P., Machine Learning: A Probabilistic
10) Fundamentos da Pesquisa Operacional (20h)

Ementa
Programação Linear: Modelagem. Método Gráfico.
Algoritmo Simplex. Casos Especiais (Empate na entrada,
Empate na saída, soluções múltiplas, Variáveis sem restrição
de sinal, solução ilimitada. Programação Inteira). Análise de
Sensibilidade. Problemas de Redes. Método de Vogel. Teoria
da Decisão: Análise de Decisão Bayesiana. Análise de
Decisão Multicritério.
Referências:
Básica:
LACHTERMARCHER, G. Pesquisa Operacional na

Tomada de Decisões 4.ed; São Paulo: Pearson / Prentice Hall,
2009.
HILLIER, F; LIEBERMAN, G. Introdução à Pesquisa
Operacional 9.ed; Porto Alegre: McGraw-Hill, 2013.
MOREIRA, D. Pesquisa Operacional; São Paulo:
Thomson Pioneira, 2007.
Complementar:
ANDRADE, E. Introdução à Pesquisa Operacional -

Métodos e Modelos para Análise de Decisões 4.ed; Rio de
Janeiro: LTC, 2014.
TAHA, H. Pesquisa Operacional 8.ed; São Paulo:
Pearson / Prentice Hall, 2008.
SILVA, E; GONÇALVES, V.; MUROLO, A. Pesquisa
Operacional 4.ed; São Paulo: Atlas, 2010.
FÁVERO, L. P., BELFIORE, P. Pesquisa Operacional:
para cursos de engenharia. Brasil: Elsevier, 2013.
11) Text Mining and Sentiment Analysis (10h)

Ementa
Motivação, história e tendências. Medidas descritivas
para texto. Noções de linguística.Índices de diversidade,
abundância e riqueza. Abordagens para a mineração de
texto.Saco de palavras (BOW) e PNL. Manipulação de cadeias
de caracteres.Pré Processamento para BOW. Visualização em
mineração de texto. Termos frequentes, associações e redes
de relacionamento. Dendrogramas, nuvem de palavras.
Análise de sentimentos. Aplicação de acervos léxicos.
Métodos alternativos. Análise de agrupamento. Medidas de
distância e similaridade. K-médias e variações. Modelagem de
títulos. Alocação de Dirichlet latente. Abordagens tex2 vec.
Modelagem preditiva apoiada em texto. Classificação e
predição. Engenharia de características. Introdução ao
processamento natural da linguagem. Rotulação de partes do
discurso. Extração de Entidades.
Referências:
Básica:
BIRD, S.; KLEIN, E.; LOPER, E. Processamento de

Linguagem Natural com Python: Analisando Texto com o Kit
de Ferramentas de Linguagem Natural. O'Reilly Media, 2009.
DANNEMANN. HEIMANN, R. Mídia Social Mining com
R. Packt Publishing, 2014.
DOUGHERTY, D.; ROBBINS, A. sed & awk: UNIX
Power Tools. O'Reilly Media, 1997.
FELDMAN, R.; SANGER, J. The Text Mining
Handbook: Advanced Approaches in Analyzing Unstructured
Data. Cambridge University Press, 2006.
Complementar:
HURWITZ, J.; NUGENT, A. DR. HALPER,

F. KAUFMAN, M. Big data para leigos: ALTA BOOKS, 2016.
KUMAR, A; PAUL, A. Mastering Text Mining com
R. Publicação Packt, 2016.
KWARTLER, E. Text Mining no pratice com R. John
Wiley & Sons, Limited, 2017.
MINER, G.; ELDER, J.; HILL, T. Practical Text Mining
and Statistical Analysis for Non-Structured Text Data
Applications. Academic Press, 2012.
MITCHELL, R. Web Scraping com Python: Coletando
Dados da Web Moderna. O'Reilly Media, 2015.
MUNZERT, S. RUBBA, C. MEIßNER, P. NYHUIS,
D. Coleta automatizada de dados com R: Um guia prático para
Web Scraping e Text Mining. Wiley, 2015.
NOLAN, D.; Lang, D. XML e Web Technologies para
Ciências de Dados com R. Springer New York, 2013.
ROBBINS, A. Programação Awk Efetiva:
Processamento de Texto e Correspondência de
Padrões. O'Reilly Media, Incorporated, 2001.
SILGE, J.; RODINSON, D. Text Mining com R: Uma
abordagem organizada. 1ª ed. O'Reilly Media, 2017.
12) Big Data e Cloud Computing (20h)

Ementa
Fundamentos de Cloud Computing: terminologias e
conceitos; virtualização; elasticidade, resiliência, on-demand e
uso medido; benefícios, desafios e riscos das plataformas e
serviços; administração e regras; Software as a Service
(SaaS), Platform as a Service (PaaS) e Infrastructure as a
Service (IaaS) Cloud Delivery Models; Service Level
Agreements (SLAs) for Cloud-based IT Resources. Criar
soluções para análise de dados em grande escala na nuvem
utilizando sistemas de arquivos, bancos de dados estruturados
e Apache Spark. Desenhar arquiteturas para análise de dados
em grande escala baseadas em serviços na nuvem; Planejar,
estruturar e utilizar bancos de dados estruturados SQL em
nuvem; e desenvolver algoritmos para a análise de dados em
grande escala utilizando Python, Spark e arquiteturas em

nuvem.
Referências:
Básica:
BIRMAN, Kenneth. Guide to Reliable Distributed

Systems: Building High-Assurance Applications and Cloud-
Hosted Services. Springer, 2012.
DEITEL, Paul J; DEITEL, Harvey M. Ajax, Rich
Internet Applications e desenvolvimento Web para
programadores. São Paulo: Prentice-Hall, c2009. xxiv, 747 p.
(Série do desenvolvedor).ISBN 9788576051619 (broch.).
KUROSE, James F; ROSS, Keith W. Redes de
computadores e a Internet: uma abordagem top-down. 5. ed.
São Paulo: Pearson Addison Wesley, 2010. 614 p. ISBN
9788588639973 (broch).
Complementar:
PETERSON, Larry L; DAVIE, Bruce S. Redes de

computadores: uma abordagem de sistemas.Rio de Janeiro:
Campus, Elsevier, 2013. xxvii, 545 p. ISBN 9788535248975
(broch.).
COMER, Douglas E. Interligação em redes com
TCP/IP: princípios, protocolos e arquitetura. 6.ed. v. 1. Rio de
Janeiro: Campus, 2015. 486 p. ISBN 9788535278637 (broch.).
ERL, Thomas. SOA: princípios de design de serviços.
São Paulo: Prentice Hall. 320 p.ISBN 9788576051893 (broch)
2009.
STALLINGS, William. Arquitetura e organização de
computadores. 8. ed. São Paulo: Pearson. 624 p. ISBN
9788576055648 (broch.) 2010.
13) Fundamentos a Grafos e Análise de Redes Sociais

(10h)

Ementa
Definições e conceitos básicos. Isomorfismo. Árvores.
Conexidade. Problema do caminho mínimo. Trilhas eulerianas
e ciclos hamiltonianos. Emparelhamentos. Problema do fluxo
máximo. Análise de redes sociais.
Referências:
Básica:
BONDY, J.A.; MURTY, U. S. R. Graph theory. New

York: Springer. 657 p. (Graduate texts in mathematics). ISBN
978-1-84628-969-9, 2008.
DIESTEL, Reinhard. Graph theory. 3 ed. New York:
Springer, c2006. 410 p. ISBN 978-3-540-26183-4;
SEDGEWICK, Robert. Algorithms in C: part 5 - graph
algorithms. New Jersey: Addison-Wesley. 482 p. ISBN 978-0-
201-31663-6; 2007.
P. O. Boaventura Netto. Teoria e Modelo de Grafos.
Edgard Blucher, SP, 1996.
Complementar:
ABREU, N. M. M. DEL-VECCHIO, R; VINAGRE, C. ;
STEVANOVI , D. Introdução à Teoria Espectral de Grafos com
Aplicações. Rio de Janeiro: SBMAC. v. 1. 105p, 2007.
ROSEN, Kenneth H; YELLEN, Jay; GROSS, Jonathan
L. Graph Theory and its applications. 2. ed. Nova York:
Chapman & Hall/CRC, c2006. 779 p. ISBN 978-1-584-88505-
4;[2];
BOLLOBÁS, Béla. Modern graph theory. New York:
Springer, c1998. 394 p. ISBN 978-0-387-98488-9.
14) Marketing Analytics (10h)

Ementa
Definição de Marketing Analytics; Por que Marketing
Analytics; Linha do tempo do Marketing Analytics;
Contextualizando a mudança e potencialização da área;
Gerenciando tipos de dados e big data; Técnicas de Marketing
Analytics (Estruturados versus Não-Estruturados); Descritivo
vs Preditivo versus Prescritivo; O funil do Marketing Digital;
Referências:
Básica:
CRM ANALÍTICO; Ferramentas para análise de
resultados de campanhas; Business Analytics aplicado a
Redes Sociais.
KOTLER, P. Hermawan Kartajaya, Iwan Setiawan;
Marketing 4.0. Rio Janeiro: Editora Sextante, 2017.
TURCHI, S. R. Estratégias de Marketing Digital e E-
Commerce. São Paulo: Editora
Atlas, 2018.
VENKATESAN, R., WILCOX, R. T., FARRIS, P. Cutting
Edge Marketing Analytics: Real World Cases and Data Sets for
Hands On Learning. Estados Unidos: Pearson Education.
2014.
Complementar:
CAMM, J. D.et al. Business Analytics. São Paulo:
Cengage Learning, 2018: 3ª ed.
DAVENPORT, T. H.; HARRIS, J. G.; MORISON, R.
Analytics at work: smarter
decisions, better results. Boston, MA: Harward Business
Press, 2010.Vários Autores; Guia Completo. Marketing em
Redes Sociais; Europa, 2015.
ABITEBOUL S., P. BUNEMAN & D. Suciu - Data on
the Web, from relations to semistructured data and XML,
MorganKaufmann, 2000.
MILLER, T. W. Marketing Data Science: Modeling
Techniques in Predictive Analytics with R and Python. Estados
Unidos: Pearson Education

15) People Analytics (10h)
Ementa
Planejamento da força de trabalho. Força de trabalho e
orientações organizacionais estratégicas. Perfis de
competência. People analytics. Indicadores e scorecard de
RH.
Referências:
Básica:
CRM ANALÍTICO; Ferramentas para análise de
resultados de campanhas; Business Analytics aplicado a
Redes Sociais.
KOTLER, P. Hermawan Kartajaya, Iwan Setiawan;
Marketing 4.0. Rio Janeiro:Editora Sextante, 2017.
TURCHI, S. R. Estratégias de Marketing Digital e E-
Commerce. São Paulo: Editora Atlas, 2018.
Complementar:
CAMM, J. D.et al. Business Analytics. São Paulo:
Cengage Learning, 2018: 3ª ed.
DAVENPORT, T. H.; HARRIS, J. G.; MORISON, R.
Analytics at work: smarter decisions, better results. Boston,
MA: Harward Business Press, 2010.Vários Autores; Guia
Completo. Marketing em Redes Sociais; Europa, 2015.
ABITEBOUL S., P. BUNEMAN & D. Suciu - Data on the
Web, from relations to semistructured data and XML,
MorganKaufmann, 2000.
16) Lei Geral de Proteção de Dados (LGPD) (10h)

Ementa
Compreender a Lei Geral de Proteção de Dados
Pessoais (LGPD); Os benefícios tanto para as empresas
quanto para os consumidores, garantindo segurança para
ambos. Como proteger os cadastros das lojas online que
guardam informações de endereço e cartões, como lhe dar
com as novas regras de tratamento dos dados pessoais, em
meio a era do BIG DATA.

Referências:
Básica:
BRUNO ET AL (COORDS.). Tratado de Proteção de
Dados Pessoais Capa comum. 2020. Edição por BIONI.
DANIEL DONDA. Guia Prático de Implementação da
LGPD Capa comum. 2020 ,Edição; por BIONI.
NÓBREGA MALDONADO. Lgpd Comentada 3º Edição.
2021 Edição Ópice Blum.
Complementar:
MALDONADO, Viviane Nóbrega. Lgpd - Lei Geral De
Proteção De Dados Pessoais Manual De Implementação - 2ª
Edição (2021).
17) Metodologias Ágeis de Gestão de Projetos (40h)

Ementa
Introdução aos métodos ágeis, princípios, valores e
filosofia; Principais métodos ágeis; - Gerenciamento ágil de
projetos com Scrum; Trabalhando com histórias de usuário; -
Práticas técnicas de desenvolvimento ágil de software;
Práticas de gerenciamento ágil de projetos: engajamento das
partes interessadas, gerência da equipe, planejamento
adaptativo, detecção e resolução de problemas e melhoria
contínua; Certificações de gerenciamento ágil de projetos
(ênfase na PMI-ACP).
Referências:
Básica:
AMARAL et al. Gerenciamento ágil de projetos -
aplicação em produtos inovadores. São Paulo: Saraiva, 2011.
SCHWABER, K. Agile project management with Scrum.
Washington: Microsoft Press, 2004. CONFORTO et al. Can
agile project management be adopted by industries other than
software development? Project Management Journal, 45(3),
p.21-34, 2014.
Complementar:
CONFORTO, E.; REBENTISCH, E.; AMARAL, D.C.
The building blocks of agility as a team's competence in project
management. PM Agility Global Survey Study. Cambridge,
USA: Massachusetts Institute of Technology, MIT-CEPE, 2014.
18) Metodologia do Trabalho Científico (40h)

Ementa
Introdução à prática de pesquisa acadêmica.
Conhecimento, pesquisa – preparação, execução e relatórios
de trabalho com textos específicos, às questões técnicas e
metodológicas.
Referências:
Básica:
ANDRADE MM. Introdução à metodologia do trabalho
científico. São Paulo-SP: Ed Atlas: 1998.
BASTOS LR, P. L, FERNANDES LM, DELUIZ N.
Manual para elaboração de projetos e relatórios de pesquisa,
teses, dissertações e monografias. Rio de Janeiro-RJ: Ed LTC-
Livros Técnicos e Científicos: 1998.
RUIZ J.A. Metodologia Científica. Guia para
eficiência nos estudos. Atlas: 2010.
Complementar:
SANTOS, A.R. Metodologia científica: a construção do
conhecimento. 2. ed. São Paulo: Lamparina, [20--?].
GIL, A.C. Como elaborar projetos de pesquisa. 5. ed.
São Paulo: Atlas, 2010.
LAKATOS, E.M.; MARCONI, M. de A. Fundamentos da
metodologia científica. 7. ed. São Paulo: Atlas, 2010.
Complementar:
AZEVEDO, C.B. Metodologia científica: ao alcance de
todos. 2. ed. São Paulo: Manole, 2009.
BARROS, A.J. da S.; LEHFELD, N.A. de S.
Fundamentos de Método.
CASARIN, H. de C.S.; CASARIN, S.J. Pesquisa
científica: da teoria à prática. Curitiba: Inter Saberes, 2012.
CASTRO, C. de M. Como redigir e apresentar um

trabalho científico. São Paulo: Pearson, 2010.

11. Corpo Docente  José Bezerra da Silva filho, Doutor
 Marcos dos Santos, Doutor
 Marcos Severo, Doutor
 Eliseu Castelo Branco Jr – Mestre;
 Kennedy Montenegro Vasconcelos, Mestre;
 Marcus Antonio Almeida Rodrigues, Mestre;
 Adriana Silva, Mestre
 João Igor da Rocha Leitão, Mestre
 Marcondes Josino Alexandre, Mestre
 Thiago Marques, Especialista

12. Metodologia
As disciplinas serão ministradas por meio de aulas teóricas
e/ou práticas. As aulas teóricas serão desenvolvidas com a
utilização de recursos didáticos convencionais, podendo ser
seguidas ou antecedidas de debates, seminários, técnicas
problematizadoras e/ou estudo de textos. Visando à
operacionalização e otimização das aulas práticas, estas serão
abordadas por meio de dinâmicas grupais, vivências, estudo de
casos e situacionais e prática. As leituras recomendadas
constituem-se: livros, artigos, manuais e qualquer outro material
didático pertinente à área, indicados pelo professor responsável.
13. Atividades Serão realizados estudos de caso, que serão amplamente
Complementares analisados e abordados com a finalidade de preparar melhor os
alunos para solução dos problemas reais.
Pretende-se finalizar o curso com uma mostra das pesquisas
científicas efetivadas no formato de seminário, bem como o registro
dos resumos em uma espécie de “anais” propício e adequado ao
curso.
14. Tecnologia
Para efetivação das aulas ministradas serão utilizados
recursos materiais tais como: notebooks, plataformas de
videoconferência, softwares solicitados pelos professores.
15. Infraestrutura
Física Condições de infraestrutura física sala de aula, biblioteca,
laboratório de informática, auditório, sala de professores, sala da
coordenação, acesso à internet.
16. Critério de
Seleção Responsável: Dr.José Bezerra da Silva Filho
Os alunos serão selecionados mediante análise de
curriculum vitae e formação complementar reconhecidos pelo MEC.

17. Sistemas de
Avaliação 18.1 Avaliação do Curso
Ao final de cada disciplina os alunos receberão dois
questionários avaliativos, elaborados pela Comissão de Avaliação
Institucional e aplicados pela Coordenação Local, sendo um, para
avaliar o desempenho do professor em sala de aula e outro para
avaliar o conteúdo programático repassado aos alunos. Na metade
e final de cada módulo um outro questionário é repassado aos
alunos, com a finalidade de avaliar a coordenação do Curso nos
aspectos administrativos visando o bom funcionamento das
atividades. No instrumento de avaliação, o aluno tanto se expressa
quantitativamente, seguindo a escala de valor estabelecida para
pontuação, como qualitativamente, por meio do registro por escrito
da sua opinião.
18.2 Critérios para aprovação nas disciplinas
O rendimento acadêmico deverá ser aferido por critério de

notas, numa escala de 0,0 (zero) a 10,0 (dez), considerando-se
aprovado o aluno que obtiver média mínima de 7,0 (sete), em
números inteiros ou fracionários, vedado o arredondamento. Será
permitido ao aluno faltoso, por motivo justificado, realizar uma 2ª
chamada da prova final, desde que requerida ao setor competente
(com exposição de motivo à coordenação do Curso) no prazo
máximo de 48 (quarenta e oito) horas a contar da data de realização
da 1ª chamada. Esta 2ª chamada será realizada no dia e horário a
critério do professor da disciplina e da Coordenação do Curso.
19.Controle de
Frequência A frequência deverá ser igual ou superior a 75% da carga
horária prevista para cada disciplina/atividades, incluindo as demais
atividades a ela inerentes. A forma de controle é feita por meio de
chamada oral e registro em folha de frequência.
20.Trabalho
de Conclusão Será exigido um artigo científico para que o aluno possa ser
avaliado pela banca examinadora para ser aprovado ou reprovado.
21.Certificaçã
o Instituição que irá chancelar o certificado e condições para
sua emissão. Indicação da forma de controle da documentação nos
termos da Resolução nº 01/2001.

Universidade Estadual Vale do Acaraú - UVA
Condições:
1. Cumprimento do prazo de duração do Curso estipulado no

projeto;
2. Cumprimento de frequência mínima exigida no Curso;
3. Aprovação em todas as disciplinas em processo final de
avaliação do Curso;
4. Aprovação do Trabalho de Conclusão do Curso.
5. O envio dos originais dos diários pelas coordenações.


Anexo I

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Anexo I

Enviado por

Direitos autorais:

Formatos disponíveis

ANEXO I

Projeto de Curso de Pós-graduação Lato Sensu

A estrutura curricular do curso pretende possibilitar a

Extrair, organizar e combinar dados, estruturados ou

Utilizar técnicas de design na formulação de problemas

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

O BSBr tem como proposta oferecer cursos de

Participantes que têm como foco a atuação em funções

CONTRIBUIÇÃO AOS EGRESSOS:

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Verifica-se a crescente necessidade de uma formação

8. Carga Horária A carga horária será de 420 horas de aulas.

10.Conteúdo Programático 1) Fundamentos a Ciência de Dados (20h)

2) Estatística Descritiva e Construção de Dashboards (20h)

3) Fundamentos de Cálculo das Probabilidades (20h)

FERNANDEZ, Pedro J. Introdução à teoria das

4) Noções de Amostragem, Estimação e Inferência

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

AZZALINI, A. Statistical Inference Based on the

5) Fundamentos de SQL (10h)

SETZER, Valdemar W. ; SILVA, Flávio Soares Corrêa

6) Machine Learning: Modelos Supervisionados “Clássicos”

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

BORHANi, J. Watt, R. and A. K. KATSAGGELOS,

James, G. Witten D. T, Hastie, Tibshirani and R., An

8) Deploy de Modelos de Machine Learning (20h)

MARSLAND, S. Machine Learning – An Algorithmic

BISHOP, C. M. Pattern Recognition and Machine

9) Machine Learning: Modelos Não Supervisionados

MARSLAND, S. Machine Learning – An Algorithmic

BISHOP, C. M. Pattern Recognition and Machine

10) Fundamentos da Pesquisa Operacional (20h)

LACHTERMARCHER, G. Pesquisa Operacional na

ANDRADE, E. Introdução à Pesquisa Operacional -

11) Text Mining and Sentiment Analysis (10h)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

BIRD, S.; KLEIN, E.; LOPER, E. Processamento de

HURWITZ, J.; NUGENT, A. DR. HALPER,

12) Big Data e Cloud Computing (20h)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

BIRMAN, Kenneth. Guide to Reliable Distributed

PETERSON, Larry L; DAVIE, Bruce S. Redes de

13) Fundamentos a Grafos e Análise de Redes Sociais

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

BONDY, J.A.; MURTY, U. S. R. Graph theory. New

14) Marketing Analytics (10h)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

16) Lei Geral de Proteção de Dados (LGPD) (10h)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

17) Metodologias Ágeis de Gestão de Projetos (40h)

18) Metodologia do Trabalho Científico (40h)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

18.2 Critérios para aprovação nas disciplinas

O rendimento acadêmico deverá ser aferido por critério de

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

1. Cumprimento do prazo de duração do Curso estipulado no

Universidade Estadual Vale do Acaraú (UVA) | Pró-Reitora de Educação Continuada (PROED)

Você também pode gostar