Bacharelado em Inteligência Ar3ficial

Bacharelado em
Inteligência Ar3ficial
2019
SERVIÇO PÚBLICO FEDERAL
UNIVERSIDADE FEDERAL DE GOIÁS
INSTITUTO DE INFORMÁTICA
Número de registro no e-MEC 1495673
Criação Resolução CONSUNI 15/2019 UFG
Reunião do Conselho Diretor 27/11/2019
Diretor Sérgio Teixeira de Carvalho
Vice-Diretor Vinícius Sebba PaUo
Coordenador do curso Anderson da Silva Soares
Vice-coordenador Vinícius Sebba PaUo
Coordenador de estágio Fernando Marques Federson
Coordenadora de monitoria Deborah Silva Alves Fernandes
Goiânia – Goiás – Brasil

27 de novembro de 2019
Comissão para Elaborar Projeto Pedagógico do Curso de

Bacharelado em Inteligência Ar]ficial
Anderson da Silva Soares
Cedric Luiz de Carvalho
Fernando Marques Federson
Hugo Alexandre Dantas do Nascimento
Rogerio Lopes Salvini
Ronaldo Mar]ns da Costa
Telma Woerle de Lima Soares
Vinícius Sebba PaUo
Sumário
Sumário...........................................................................................................................................1
Lista de acrônimos e siglas.............................................................................................................6
Agradecimentos...............................................................................................................................9
Apresentação.................................................................................................................................10
Identificação..................................................................................................................................11
I - Contexto...................................................................................................................................12
Da aptidão do Instituto de Informática.....................................................................................12
Da carência de mão de obra......................................................................................................13
Da importância local do curso e dos indicadores socioeconômicos regionais........................13
II - Exposição de motivos.............................................................................................................15
Dos fatores internos no INF......................................................................................................17
III - Objetivos................................................................................................................................18
Objetivo geral...........................................................................................................................18
Objetivos específicos................................................................................................................18
IV - Expectativa da formação do profissional..............................................................................19

Perfil do egresso........................................................................................................................19
Habilidades do egresso.............................................................................................................19
V - Princípios norteadores.............................................................................................................20
Formação Ética e Função Social do Profissional.....................................................................20
Formação Técnica.....................................................................................................................21
Estratégia da definição das disciplinas.....................................................................................21
Articulação entre Teoria e Prática Profissional........................................................................22
Interdisciplinaridade.................................................................................................................23
Um novo ambiente para uma nova geração.............................................................................23
Disciplina “Residência em Inteligência Artificial”..................................................................25
Atividades supervisionadas......................................................................................................25
VI - Núcleo Docente Estruturante (NDE)....................................................................................25

VII - Política e gestão de estágio não obrigatório........................................................................26
VIII - Trabalho de Conclusão de Curso (TCC)............................................................................27
IX - Integração ensino, pesquisa e extensão.................................................................................27
X - Avaliação do processo de ensino e aprendizagem..................................................................28
XI - Avaliação do projeto pedagógico de curso............................................................................30
XII - Política de qualificação........................................................................................................30
XIII - Requisitos legais e normativos...........................................................................................31
a) Condições de Acesso para Pessoas com Deficiência e/ou Mobilidade Reduzida...............31
1
b) Diretrizes Curriculares Nacionais do Curso.........................................................................31
c) Diretrizes Nacionais para Educação em Direitos Humanos................................................32
d) Educação das Relações Étnico-Raciais e para o Ensino de História e Cultura Afro-

Brasileira e Africana.................................................................................................................32
Disciplinas de graduação obrigatórias......................................................................................32
Programa institucional..............................................................................................................33
e) Informações acadêmicas.......................................................................................................33
f) Libras.....................................................................................................................................33
g) Política de educação ambiental............................................................................................34
Planejamento das disciplinas....................................................................................................34
Disciplinas obrigatórias............................................................................................................34
Programa institucional..............................................................................................................35
h) Proteção dos direitos da pessoa com Transtornos do Espectro Autista...............................35
i) Titulação do corpo docente...................................................................................................35
j) Diretrizes para a Extensão na Educação Superior Brasileira................................................36
XIV - Estrutura Curricular............................................................................................................37

Matriz curricular.......................................................................................................................37
Núcleo livre...............................................................................................................................40
Atividades complementares......................................................................................................41
Distribuição da carga horária....................................................................................................41
Fluxo sugerido..........................................................................................................................41
Disciplinas de formação básica (obrigatórias)..............................................................................46

Introdução à Programação........................................................................................................46
Lógica Matemática...................................................................................................................46
Cálculo 1A................................................................................................................................47
Algoritmos e Estruturas de Dados 1.........................................................................................47
Programação Orientada a Objetos............................................................................................47
Computação e Sociedade..........................................................................................................48
Análise e Projeto de Algoritmos...............................................................................................48
Banco de Dados........................................................................................................................49
Probabilidade e Estatística A....................................................................................................49
2
Arquitetura de Computadores...................................................................................................50
Álgebra Linear..........................................................................................................................50
Redes de computadores............................................................................................................50
Disciplinas optativas.....................................................................................................................52
Computação Móvel e Ubíqua...................................................................................................52
Desenvolvimento de Sistemas para Web..................................................................................52
Engenharia de Software............................................................................................................52
Interação Humano-Computador...............................................................................................53
Introdução à Língua Brasileira de Sinais..................................................................................54
Jogos Digitais............................................................................................................................54
Pesquisa Operacional................................................................................................................54
Segurança e Auditoria de Sistemas...........................................................................................54
Sistemas de Apoio à Decisão....................................................................................................55
Sistemas Distribuídos...............................................................................................................55
Sistemas Inteligentes de Apoio à Decisão................................................................................55
Sistemas Multiagentes..............................................................................................................56
Sistemas Operacionais..............................................................................................................56
Visualização de Informações....................................................................................................56
Web Semântica..........................................................................................................................57
Disciplinas específicas do BIA (obrigatórias)..............................................................................58

Condições mínimas...................................................................................................................58
Empreendedorismo...................................................................................................................59
Transformação Digital..............................................................................................................59
Pensamento Analítico de Dados...............................................................................................60
Mineração de Dados.................................................................................................................61
Aprendizado de Máquina Supervisionado................................................................................61
Processamento Digital de Sinais e Imagens.............................................................................62
Heurística e Modelagem Multiobjetivo....................................................................................62
Redes Neurais Profundas..........................................................................................................63
Visão Computacional................................................................................................................63
Computação de Alto Desempenho...........................................................................................64
Internet das Coisas....................................................................................................................65
3
Processamento de Linguagem Natural.....................................................................................65
Aprendizado de Máquina Não Supervisionado........................................................................66
Aprendizado de Máquina por Reforço.....................................................................................66
Processamento de Dados Massivos..........................................................................................67
Percepção e Ação Robótica......................................................................................................67
Apoio à Tomada de Decisão.....................................................................................................68
Processamento de Áudio e Voz.................................................................................................68
Pesquisa e Inovação..................................................................................................................69
Residência em Inteligência Artificial.......................................................................................69
Referências....................................................................................................................................72
Apêndice A........................................................................................................................................74
A.1 - Disciplinas obrigatórias.......................................................................................................74
Introdução à Programação........................................................................................................74
Lógica Matemática...................................................................................................................75
Empreendedorismo...................................................................................................................75
Cálculo 1A................................................................................................................................76
Programação Orientada a Objetos............................................................................................77
Computação e Sociedade..........................................................................................................77
Transformação Digital..............................................................................................................78
Análise e Projeto de Algoritmos...............................................................................................79
Banco de Dados........................................................................................................................80
Probabilidade e Estatística A....................................................................................................81
Pensamento Analítico de Dados...............................................................................................82
Arquitetura de Computadores...................................................................................................83
Álgebra Linear..........................................................................................................................84
Mineração de Dados.................................................................................................................84
Aprendizado de Máquina Supervisionado................................................................................85
Processamento Digital de Sinais e Imagens.............................................................................85
Redes de Computadores...........................................................................................................86
Heurísticas e Modelagem Multiobjetivo..................................................................................86
4
Redes Neurais Profundas..........................................................................................................87
Visão Computacional................................................................................................................88
Computação de Alto Desempenho...........................................................................................88
Internet das Coisas....................................................................................................................89
Processamento de Linguagem Natural.....................................................................................89
Aprendizado de Máquina Não Supervisionado........................................................................90
Aprendizado de Máquina por Reforço.....................................................................................91
Processamento Dados Massivos...............................................................................................91
Percepção e Ação Robótica......................................................................................................92
Apoio à Tomada de Decisão.....................................................................................................92
Processamento de Áudio e Voz.................................................................................................93
Pesquisa e Inovação..................................................................................................................94
Residência em Inteligência Artificial.......................................................................................94
A.2 - Disciplinas optativas............................................................................................................95

Computação Móvel e Ubíqua...................................................................................................95
Desenvolvimento de Sistemas para Web..................................................................................95
Engenharia de Software............................................................................................................96
Interação Humano-Computador...............................................................................................96
Introdução à Língua Brasileira de Sinais..................................................................................97
Jogos Digitais............................................................................................................................98
Pesquisa Operacional................................................................................................................98
Segurança e Auditoria de Sistemas...........................................................................................99
Sistemas de Apoio à Decisão....................................................................................................99
Sistemas Distribuídos.............................................................................................................100
Sistemas Inteligentes de Apoio à Decisão..............................................................................101
Sistemas Multiagentes............................................................................................................102
Sistemas Operacionais............................................................................................................102
Visualização de Informações..................................................................................................103
Web Semântica........................................................................................................................103
5
Lista de acrônimos e siglas
AC A]vidade Complementar
ACM Associa'on for Compu'ng Machinery
BES Bacharelado em Engenharia de Sobware
BIA Bacharelado em Inteligência Ar]ficial
BSI Bacharelado em Sistemas de Informação
CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
CC Ciências da Computação (bacharelado)
CEPEC Conselho de Ensino, Pesquisa, Extensão e Cultura
CES Câmara de Educação Superior
CHT Carga Horária Total
CNE Conselho Nacional de Educação
CNPq Conselho Nacional de Desenvolvimento Cienjfico e Tecnológico
COMTEC Comunidade Tecnológica de Goiás
CONAES Comissão Nacional de Avaliação da Educação Superior
CONSUNI Conselho Universitário
CPC Conceito Preliminar de Curso
CR Correquisito
CTS Centro Tecnológico de Sobware
DCN Diretrizes Curriculares Nacionais
ENADE Exame Nacional de Desempenho de Estudantes
EPE Ensino, Pesquisa e Extensão
ERI-GO Escola Regional de Informá]ca de Goiás
ES Engenharia de Sobware
FAPEG Fundação de Apoio à Pesquisa do Estado de Goiás
FL Faculdade de Letras
FUNAPE Fundação de Apoio à Pesquisa
IA Inteligência Ar]ficial
6
IBGE Ins]tuto Brasileiro de Geografia e Estajs]ca
IEEE Ins'tute of Electrial and Electronics Engineers
IES Ins]tuição de Ensino Superior
IME Ins]tuto de Matemá]ca e Estajs]ca
INF Ins]tuto de Informá]ca
LIBRAS Língua Brasileira de Sinais
MEC Ministério da Educação
NBC Núcleo Básico Comum
NC Núcleo Comum
NDE Núcleo Docente Estruturante
NE Núcleo Específico
NEOB Núcleo Específico Obrigatório
NEOP Núcleo Específico Opta]vo
NL Núcleo Livre
OBI Olimpíada Brasileira de Informá]ca
OBR Disciplina Obrigatória
OPT Disciplina Opta]va
PDI Plano de Desenvolvimento Ins]tucional
PFC Projeto Final de Curso
PIBIC Programa Ins]tucional de Bolsas de Iniciação Cienjfica
PIBITI Programa Ins]tucional de Bolsas de Iniciação em Desenvolvimento Tecnológico

e Inovação
PIVIC Programa Voluntário de Iniciação Cienjfica
PIVITI Programa Voluntário de Iniciação Tecnológica
PLS Plano de Logís]ca Sustentável
POSCOMP Exame Nacional para Ingresso na Pós-Graduação em Computação
PPC Projeto Pedagógico de Curso
PR Pré-requisito
PROBEC Programa de Bolsas de Extensão e Cultura
7
PROGRAD Pró-reitoria de Graduação
PROVEC Programa de Voluntários de Extensão e Cultura
REUNI Reestruturação e Expansão das Universidades Federais
RGCG Regulamento Geral dos Cursos de Graduação
SBC Sociedade Brasileira de Computação
SI Sistemas de Informação
SISU Sistema de Seleção Unificada
TAE Técnico-administra]vo em Educação
TCC Trabalho de Conclusão de Curso
TI Tecnologia da Informação
TIC Tecnologia da Informação e Comunicação
UFG Universidade Federal de Goiás
8
Agradecimentos
A Deus, por tudo.
9
Apresentação
O curso de Bacharelado em Inteligência Artificial (BIA) é oferecido pelo Instituto de Informática
(INF) da Universidade Federal de Goiás (UFG). Este Projeto Pedagógico do Curso (PPC) é fruto
de um processo de reflexão e discussão realizado por professores do INF durante mais de dois
anos, dando origem ao primeiro curso de Bacharelado em Inteligência Artificial (BIA) no Brasil
até o momento.
A motivação deste projeto pedagógico vem da busca pelo empreendedorismo, inovação e

preenchimento de uma lacuna no ensino superior em Computação, que pode ser adequadamente
compreendida com o entendimento dos fatores que levaram à criação do curso e do cenário no
qual ele está inserido (p. 12 - Contexto); o que remete a William Pollard, segundo o qual “sem
mudança, não há inovação, criatividade ou incentivo para melhorias. Aqueles que iniciam a
mudança terão uma oportunidade melhor de administrar a mudança que é inevitável”.
Os requisitos legais e normativos para cursos superiores de bacharelado foram considerados na

elaboração deste PPC, bem como as Diretrizes Curriculares Nacionais (DCN) para os cursos de
Computação.
Por se tratar de um curso novo, há de se esperar um egresso com perfil diferente dos perfis de
egressos dos cursos tradicionais em Computação: Ciência da Computação, Engenharia de
Computação, Engenharia de Software, Licenciatura em Computação e Sistemas de Informação
(p. 19).
A estrutura curricular é inovadora e tem papel de destaque neste PPC (p. 37), todavia está de
acordo com a instrução normativa que dispões sobre as orientações para elaboração de projetos
pedagógicos de curso na UFG [CEPEC-4, 2016]. O fluxo sugerido, nos quatro primeiros períodos,
inclui majoritariamente disciplinas de formação básica em Computação e Matemática. As
descrições das disciplinas específicas de Inteligência Artificial (IA) são acompanhadas de uma
seção adicional, chamada de “Condições mínimas” (p. 70), que estabelece competências a serem
demonstradas/adquiridas pelo estudante ao final de cada uma das disciplinas. No último período, a
disciplina de Residência em Inteligência Artificial (p. 69) tem um carácter integrador, com carga
horária de 384 horas. Além disso, os estudantes estarão inseridos em um ambiente acadêmico (p.
23) onde atividades de Pesquisa e Inovação serão realizadas como parte inerente da sua formação.
10
Iden3ficação
Nome do curso Inteligência Artificial

Grau acadêmico Bacharelado
Título do egresso Bacharel(a) em Inteligência Artificial
Área de conhecimento Ciências Exatas e da Terra (1.00.00.00-3)
(CNPq)
Ciência da Computação (1.03.00.00-7)
Metodologia e Técnicas da Computação (1.03.03.00-6)
Modalidade Presencial
Local de oferta Instituto de Informática (UFG)
Alameda Palmeiras, Quadra D, Câmpus Samambaia
Goiânia (GO), CEP 74690-900
Reconhecimento Sem avaliação ainda
Responsável Instituto de Informática (INF)
Unidades executoras Instituto de Informática (INF)
Instituto de Matemática e Estatística (IME)
Faculdade de Letras (FL)
Número de vagas 40 (quarenta) vagas ofertadas no primeiro semestre do ano letivo.
Carga horária 3.200h (três mil, duzentas horas), coerente com as Diretrizes Curriculares
Nacionais para os Cursos de Graduação em Computação.
Duração do curso em Mínimo de 8 (oito) semestres e máximo de 14 (quatorze) semestres, em
semestres conformidade com a Resolução CNE/CES nº 2, de 18 de Junho de 2007, que
dispõe sobre a carga horária mínima e procedimentos relativos à
integralização e duração dos cursos de graduação, bacharelados, na
modalidade presencial, e com a Resolução CNE/CES nº 3 de 2 de julho de
2007, que dispõe sobre procedimentos a serem adotados quanto ao conceito
de hora-aula.
Turno de Integral
funcionamento
Forma de ingresso SiSU (Sistema de Seleção Unificada) e, em casos especiais, por meio de:
processos seletivos; transferência ex officio; convênios ou acordos culturais;
e reciprocidade diplomática. Os critérios de ingresso serão definidos pela
UFG em legislação específica ou em editais.
11
I - Contexto
O Bacharelado em Inteligência Artificial (BIA) foi criado em um contexto no qual se destacam
três principais aspectos: a aptidão do Instituto de Informática; a carência de mão de obra apta a
lidar com IA no mercado, academia e órgãos públicos; e a importância local do curso. Os três são
detalhados nas seções a seguir.
Da ap3dão do Ins3tuto de Informá3ca

A UFG tem sido uma instituição de referência no ensino e pesquisa em Computação e Informática
no Estado de Goiás, desde a década de 70 com a criação do Departamento de Estatística e
Informática (DEI). Em 1983, foi criado o curso de bacharelado em Ciência da Computação. Em
1996, o DEI deu origem ao Instituto de Informática (INF).
A partir de 2009, foram criados mais dois cursos de graduação: o Bacharelado em Engenharia de
Software (BES), sendo o primeiro curso da modalidade no Brasil; e o Bacharelado em Sistemas de
Informação (BSI). O INF também é responsável pela oferta de dezenas de disciplinas da área de
Computação para diversos cursos de graduação da UFG.
Na pós-graduação lato sensu, o INF já ofertou dezenas de edições dos mais variados cursos de
especialização na área de Computação. Na pós-graduação stricto sensu o INF oferece, desde 2001,
o Mestrado Acadêmico em Ciência da Computação. A partir de 2010, o INF passou a oferecer o
Doutorado Acadêmico em Ciência da Computação em parceria com a Universidade Federal do
Mato Grosso do Sul. Em 2018, o programa de Mestrado Acadêmico em Ciência da Computação
se tornou também um programa de Doutorado.
Essa história perfaz mais de três décadas de ensino, marcada por diversos projetos de Pesquisa,
Ensino e Extensão; por milhares de egressos, alguns deles ocupando cargos de destaque em
universidades, empresas e organizações tanto no Brasil quanto no exterior; além de um corpo de
docentes e de técnico-administrativos altamente qualificados.
O INF construiu, ao longo desse período, um consistente envolvimento com empresas e

organizações de Tecnologia da Informação e Comunicação (TIC). O Apoema [APOEMA] é o
órgão do INF responsável pela cooperação e interação com organizações externas, com foco em
soluções inovadoras.
Um número significativo de projetos de Pesquisa e Desenvolvimento (P&D) já foi contabilizado

pelo INF em parceria com organizações locais, e alguns com empresas multinacionais (como Dell,
HP e Samsumg). O INF também já participou de vários projetos de inovação tecnológica
12
financiados pela Fundação de Apoio à Pesquisa do Estado de Goiás (FAPEG). Nos últimos anos,
os maiores destaques se deram para os projetos de P&D que se apoiaram em técnicas da IA.
Da carência de mão de obra

Um dos motivos para a existência do BIA é a necessidade de formar recursos humanos em
Inteligência Artificial. A demanda por profissionais especializados na produção de sistemas
inteligentes e autônomos não existe apenas no exterior, nem tampouco nos grandes centros do
Brasil, ela faz parte da realidade de diversas regiões brasileiras, incluindo o Estado de Goiás.
Apesar da demanda do mercado, na ocasião do estudo de viabilidade da criação do BIA no INF

(início de 2019), no Brasil não havia curso de Inteligência Artificial, apenas um curso de
bacharelado presencial em “Ciência de Dados e Inteligência Artificial”, oferecido por uma
Instituição de Ensino Superior (IES) privada. Ao longo da criação do BIA no INF (ano de 2019),
surgiram também outros dois cursos de Ciência de Dados e Inteligência Artificial, sendo um
presencial e o outro, à distância (ambos em IES privadas). A tradição do INF, na socialização da
Computação, juntamente com a atuação em Inteligência Artificial do seu corpo docente, resultou
em proposta pioneira no País de um curso especificamente voltado para a formação de Bacharéis
em IA, com ênfase na produção de sistemas inteligentes e autônomos.
A região da Grande Goiânia reúne centenas de empresas de TIC, porém elas participam de forma
tímida no mercado nacional de sistemas inteligentes e autônomos. Além de uma indústria de TIC
promissora, há também na região recursos humanos qualificados, disponibilizados especialmente a
partir dos cursos de graduação e pós-graduação, dos quais o INF é um dos protagonistas.
Favorecem também esse cenário a dimensão do Estado de Goiás, nona economia nacional, e a
consolidação da Indústria 4.0, que se torna mais presente. Portanto, a criação do BIA não apenas
favorece a popularização do uso da Inteligência Artificial em Goiás, mas também significa a
oxigenação da indústria de TIC e do mercado em geral, um salto em qualidade na academia e
suporte ao setor público em suas mais diferentes formas de manifestação.
Da importância local do curso e dos indicadores socioeconômicos

regionais
O BIA cria a possibilidade de acesso ao ensino superior para aqueles que não podem usufruir do
ensino privado. Segundo o IBGE [IBGE], em Goiás, 62.133 estudantes de graduação
frequentavam cursos públicos em 2010, enquanto 156.415 estavam matriculados em cursos
privados. Ou seja, estudantes em cursos públicos representam menos de 30% do total de
estudantes matriculados no ensino superior.
13
O rendimento nominal médio mensal domiciliar per capita de todos os municípios brasileiros
revela que, das cidades goianas, a capital do estado é a melhor posicionada, em vigésimo quarto
lugar. O município goiano seguinte nesta classificação é Alto Paraíso de Goiás, na posição 158. O
terceiro é Jataí, na posição 188. Até esta terceira aparição de municípios goianos, observa-se que o
Estado do Rio Grande do Sul contribui com 57 municípios, São Paulo contribui com 55
municípios e Santa Catarina com 25 municípios.
Quando se analisa o produto interno bruto (PIB) dos municípios brasileiros, dentre os cem
maiores, Goiás contribui com apenas 2 municípios (Goiânia e Anápolis). Reunidos, estes dois
municípios possuem PIB inferior ao do décimo terceiro colocado, São Bernardo do Campo (SP).
Os valores expostos acima sugerem que a capacidade de financiamento privado do ensino superior
em Goiás é inferior à de outros estados. Apesar dessa limitação, menos de 30% do total de
estudantes estão matriculados em cursos superiores públicos.
Aqueles que conseguem acesso ao ensino superior, público ou privado, são minoria em Goiás.
Segundo o [IBGE], em 2010 Goiás tinha 1.213.946 pessoas com curso médio completo, enquanto
apenas 218.548 estavam matriculadas em curso superior. Ou seja, menos de 20% continuam seus
estudos até o ensino superior. Neste censo, Goiás tinha 394.491 cidadãos com curso superior
completo em uma população total de 6.003.788, ou seja, 6,5% da população com curso superior. O
Estado de São Paulo, por exemplo, apresenta uma taxa superior a 10%. Taxas bastante superiores
são encontradas em outros países [OECD, 2012].
Além de contribuir para melhoria dos indicadores de educação em Goiás, o BIA potencializa o
crescimento da economia goiana por meio de alternativas ao agronegócio, especialmente por meio
de uma formação que favoreça o empreendedorismo e a inovação. Dessa forma, o BIA fomenta a
participação de Goiás em um mercado valioso, além de promover a criação de empregos.
A posição estratégica do BIA pode ser notada por iniciativas nacionais e internacionais. Em Goiás,
será estabelecido, com o apoio da FAPEG, o Centro de Excelência em Inteligência Artificial
(CEIA). Dentre os objetivos da iniciativa do CEIA, destaca-se o apoio ao estabelecimento do novo
Bacharelado em Inteligência Artificial da UFG. Recentemente, o ministro de Ciência e
Tecnologia, Inovações e Comunicações (MCTIC) anunciou o apoio e financiamento para o
estabelecimento de oito centros de excelência em Inteligência Artificial no país. O pioneirismo das
ações e projetos do Instituto de Informática e a iniciativa da FAPEG proporcionaram uma
vantagem competitiva relevante no movimento estratégico proposto pelo MCTIC.
14
No contexto internacional, o MIT – Massachusetts Institute of Technology – anunciou um plano
para remodelar seu programa acadêmico, contando com o investimento de US$ 1 bilhão para a
construção de uma Faculdade de IA1 - maior investimento em IA feito por uma instituição
americana, até o momento2. Ademais, destaca-se a criação de Bacharelados em outras
Universidades de contexto mundial relevantes tais como University of Edinburgh e Carnegie
Mellon University (CMU). Constata-se também que diversos países líderes mundiais já possuem
ou estão definindo estratégias nacionais para IA, por exemplo EUA, China, Alemanha, França,
Japão e Rússia.3
II - Exposição de mo3vos
A dependência da sociedade em relação à Computação, em especial à IA, continua se expandindo,
inclusive em tarefas que antes eram exclusivas dos seres humanos, como diagnosticar uma pessoa
com tipo de doença rara. A quantidade de informação disponível em dados estruturados ou não
estruturados, tem passado por um processo de crescimento chamado de Explosão da Informação, 4
já discutido desde os anos 1980, antes mesmo da popularização dos computadores, da internet e
dos smartphones. Tratar essa quantidade de informação de forma minimamente razoável, tornou-
se uma tarefa inviável para os seres humanos. Consequentemente, também tem crescido a
demanda por sistemas inteligentes e por profissionais que visam atender essa sorte de questão. O
conhecimento necessário para produzir sistemas inteligentes e autônomos capazes de tratar esse
volume de informação é denominado de Inteligência Artificial.
Tradicionalmente, esse conhecimento e as habilidades necessárias são adquiridas por egressos de

outros cursos de graduação, em especial durante os cursos de pós-graduação stricto sensu na área
de Computação. Nesses casos, a apropriação de habilidades ocorre de forma parcial, pois não há
espaço em tais cursos para cobrir adequadamente essa extensa área.
A título de ilustração e enriquecimento da discussão acerca da maturidade e da abrangência da

área de conhecimento, são apresentados a seguir três gráficos na forma de decomposições
hierárquicas (ou mapas mentais). O primeiro, Figura 1, mostra como a IA pode ser entendida por
meio de diversos paradigmas que a formaram e a sustentaram ao longo do tempo.
1 https://www.theverge.com/2018/10/15/17978056/mit-college-of-computing-ai-interdisciplinary-research
2 https://www.technologyreview.com/f/612293/mit-has-just-announced-a-1-billion-plan-to-create-a-new-college-
for-ai/
3 https://www.lawgorithm.com.br/estrategias-ia/
4 Buckminster Fuller, R. Critical Path (1981) New York: St Martin's Press
15
Figura 1: Inteligência Ar'ficial e seus paradigmas formadores (“tribos”).
Na Figura 2, a IA é vista por meio da organização da informação a ser trabalhada para obtenção de
conhecimento.
Figura 2: Inteligência Ar'ficial e a forma de organização da informação
A Figura 3 exibe a visão dos processos típicos que auxiliam a IA a tratar os dados com o objetivo
de prepará-los para as técnicas das subáreas.
16
Figura 3: Inteligência Ar'ficial e processos Epicos de preparação dos dados.
Partindo destas visões, entre outras possíveis, torna-se evidente a dificuldade encontrada por
muitas empresas em contratar profissionais qualificados e a preocupação de muitas nações em
proporcionar esta formação como parte integrante do seu desenvolvimento nacional.
Diferentemente da Pós-Graduação, stricto sensu ou lato senso, o Bacharelado proporciona uma

base curricular de ensino que prepara o estudante para atuar de forma mais ampla no mercado ao
formar profissionais generalistas, com conhecimentos nos fundamentos de uma dada atuação
profissional. Associado à base curricular, um ambiente favorável ao desenvolvimento humano e
profissional desde o primeiro dia do ingresso do estudante, permitirá que a UFG contribua com a
diminuição da carência de profissionais em IA.
Dos fatores internos no INF

A discussão interna para a criação de um Bacharelado em Inteligência Artificial remonta a 2017,
embora a atuação do INF na área de conhecimento seja anterior à própria formação do INF por
meio de pesquisas e desenvolvimentos tecnológicos de seus docentes.
Para efeito histórico, é importante registrar alguns eventos recentes e que de alguma forma
revelam a atenção que a área de conhecimento tem despertado.
17
Em agosto de 2017, foi realizado um Workshop contendo os resultados de projetos executados por
estudantes das disciplinas de pós-graduação (stricto sensu) relacionadas a IA e ministradas no
Programa de Pós-Graduação em Ciência da Computação do INF. Um dos objetivos do evento foi
proporcionar uma visão prática e ampla dos resultados dos projetos principalmente para o público
externo à Universidade. O evento foi realizado no dia 15 de agosto de 2017, no pátio do Instituto
de Informática, com a presença de dezenas de convidados não apenas do Estado de Goiás. Alguns
convidados fizeram parte da Comissão Julgadora dos trabalhos expostos e escolheram os trabalhos
premiados. Em função da surpresa com a qualidade dos trabalhos, um dos jurados convidados
sugeriu e patrocinou uma nova rodada do evento na semana seguinte em um hotel de Goiânia.
Esta segunda rodada foi realizada no dia 22 de agosto de 2017 com presença ainda maior de
convidados locais e de outros Estados.
Entre os dias 5 e 9 de fevereiro de 2018, foi realizada a primeira Deep Learning Brasil Summer
School. Uma Escola de Verão voltada para a disseminação da técnica de Deep Learning, uma das
técnicas mais utilizadas no campo da IA atualmente. Foram recebidos mais de 504 pedidos de
inscrição de 15 Estados diferentes e 3 países para um total inicial de 40 vagas, que foi ampliado
para 90 vagas.5
Em abril de 2019, mais uma edição do Workshop de trabalhos de IA foi realizada em um Hotel de
Goiânia. O evento recebeu cerca de 1500 visitantes.
Diante das informações obtidas e compartilhadas com vários setores da economia e com a
administração pública em diversos escalões nos últimos anos, o INF se ofereceu à UFG e ao MEC
para criar o primeiro Bacharelado em Inteligência Artificial no Brasil.
III - Obje3vos
Obje3vo geral
O BIA tem como objetivo:
Formar profissionais aptos a contribuir efetivamente com o desenvolvimento de Sistemas
Inteligentes e Autônomos seguindo princípios éticos e postura profissional.
Obje3vos específicos
• Reconhecer e valorizar o respeito à diversidade. Conforme se lê na Constituição Federal
em seu Art. 3.º, inciso IV: “promover o bem de todos, sem preconceitos de origem, raça,
sexo, cor, idade e quaisquer outras formas de discriminação”.
5 Disponível em http://www.deeplearningbrasil.com.br/index.php/blog/144-inscricoes-aceitas-para-o-deep-
learning- brasil-summer-school-2018
18
• Ampliar a compreensão acerca de questões ambientais e, ao mesmo tempo, valorizar
projetos sustentáveis.
• Contribuir com a demanda da sociedade por sistemas inteligentes e autônomos de
qualidade.
• Conceber e desenvolver soluções e produtos inovadores.
• Promover a socialização do uso da Inteligência Artificial no mercado, no setor público e
na academia.
• Viabilizar atividades econômicas de alto valor (por meio da IA e ações empreendedoras).
• Criar alternativa econômica para o Estado de Goiás.
IV - Expecta3va da formação do profissional
Perfil do egresso
O egresso do BIA é um profissional com capacitação sólida em Inteligência Artificial. Para isso,
espera-se deste processo formação básica consistente em Computação e abrangente e aprofundada
em Inteligência Artificial.
O mercado de atuação do egresso é abrangente, e decorre da dependência da sociedade por

soluções de grande eficiência para problemas de alta complexidade, das quais, muitas são
consideradas soluções “inteligentes”. É importante destacar que esta dependência tende a ter um
caráter de sobrevivência face à iminente revolução industrial, conhecida também por Indústria 4.0.
Diante disso, entende-se que o bacharel em Inteligência Artificial deve ser capaz contribuir
efetivamente com equipes na produção de modelos abstratos e soluções de IA, bem como na
implementação de código ou uso de ferramentas e frameworks adequados à finalidade.
Espera-se também do bacharel em IA, perfil empreendedor para atuar de forma autônoma em
projetos de P&D assim como habilidades para conduzir trabalhos de pesquisas acadêmicas.
Tanto a atuação junta ao mercado, quanto em ações empreendedoras de P&D ou de pesquisas

acadêmicas devem ser pautadas por postura profissional e conduta ética do egresso.
As habilidades do egresso incluem o que é necessário para lidar com a identificação,

compreensão, análise e modelagem de problemas; proposição de soluções inteligentes, usando
técnicas, ferramentas, frameworks e processos adequados; e implementação, refinamento e
sustentação de sistemas inteligentes e autônomos.
Habilidades do egresso
Espera-se que os egressos do curso de bacharelado em Inteligência Artificial:
19
• Possuam sólida formação em Ciência da Computação, Matemática, Ciência de Dados e
Engenharia de Sistemas que os capacitem identificar, compreender, analisar, modelar e
construir sistemas computacionais capazes de lidar com problemas complexos, incluindo
sistemas embarcados e autônomos, de forma inovadora e empreendedora.
• Sejam capazes de analisar e explorar grandes bases de dados, extraindo delas
conhecimento que dê suporte à tomada de decisões.
• Sejam capazes de integrar dispositivos e sistemas já existentes de forma a produzirem
novos ambientes ou soluções computacionais.
• Sejam capazes de utilizar as técnicas e ferramentas da Inteligência Artificial,
compreendendo o impacto direto ou indireto sobre as pessoas e a sociedade.
• Sejam capazes de trabalhar de forma harmoniosa, profissional e ética, individualmente e
em grupo com outros profissionais da Computação e/ou de outras áreas, de forma
colaborativa e proativa.
• Compreendam os aspectos econômicos e financeiros, associados a novos produtos e
organizações.
• Reconheçam o caráter fundamental da inovação e da criatividade e compreendam as
perspectivas de negócios e oportunidades relevantes.
• Conduzam ação contínua de aperfeiçoamento e atualização de sua própria formação.
• Participem da comunicação de ideias com clareza, seja na forma verbal ou escrita.
• Encarem com resiliência a compreensão de problemas de alta complexidade, a
identificação de oportunidades e a busca por novas soluções.
V - Princípios norteadores
O BIA apoia-se em princípios necessários à consecução dos objetivos do curso (p. 18) e do perfil
do egresso (p. 19). Esses princípios são apresentados a seguir.
Formação É3ca e Função Social do Profissional

A vivência de princípios éticos e o conhecimento sobre a responsabilidade social do Bacharel em
Inteligência Artificial são elementos fundamentais para a constituição da postura profissional do
egresso do BIA.
O comportamento ético e profissional será trabalhado nas atividades do curso. A exigência de uma
conduta apropriada em um ambiente acadêmico motivador e em sala de aula, tanto dos docentes
quanto dos estudantes, contribui com essa formação. Isso significa promover a qualidade de vida,
o respeito à diversidade e o respeito ao meio ambiente. Nesse sentido, não apenas as disciplinas,
mas toda e qualquer ação, deve ser pautada pela reflexão do impacto no contexto no qual se
insere.
20
Em particular, ética é assunto de uma das disciplinas do segundo semestre do curso, “Computação
e Sociedade” (p. 47), e volta a ser explicitamente tratada, junto com aspectos profissionais, na
última disciplina do curso “Residência em Inteligência Artificial” (p. 69). Neste caso, a postura
ética e profissional é condição a ser observada para aprovação nessa disciplina.
Ainda convém destacar que nesta área há duas principais correntes de ética a serem observadas:
Ética de Robô (ou Roboética), que se refere à moralidade de como humanos projetam, constroem,
usam e tratam robôs e outros seres inteligentes artificiais [VERUGGIO, 2007]; e Ética de
Máquina, que se concerne ao projeto de Agentes Artificias Morais, robôs ou seres inteligentes
artificiais que se comportam moralmente ou como pensamento moral [ANDERSON, M. &
ANDERSON, S. L., 2011]. Essas correntes fundamentam aspectos éticos e morais a serem
observados no convívio diário do curso.
Formação Técnica
A formação técnica proposta para o BIA está fundamentada em bases sólidas: as Diretrizes
Curriculares Nacionais [MEC 2016]; a formação básica de qualidade em Computação, definida
pelo próprio INF; e versões recentes dos corpos de conhecimentos das áreas que fazem parte da IA
moderna. Por consequência, o conteúdo abordado no curso não diverge das orientações nacionais
e internacionais em Computação e em Inteligência Artificial. Ademais, a organização dele é uma
“contribuição” para a área de IA e a Computação no Brasil, haja vista que não há outro
Bacharelado em IA no país até o momento presente e que essa organização se baseia em
experiências aprendidas no INF, juntamente com uma visão holística do aprendizado em sistemas
inteligentes e autônomos, o que contrasta com a frequente apresentação fragmentada desta área em
especial em cursos de pós-graduação.
As atividades do curso são voltadas para emprego da IA em projetos de P&D, nos quais os
conhecimentos e habilidades são exigidos de forma integrada e contextualizada. O isolamento de
conteúdo é adequado para a classificação do conhecimento que, sem o devido cuidado, pode
induzir a definição de disciplinas. A estratégia de definição das disciplinas do BIA é fornecida a
seguir.
Estratégia da definição das disciplinas

As disciplinas do BIA foram definidas a partir do cruzamento de fronteiras de subáreas do
conhecimento da Inteligência Artificial, Computação e Matemática. A estratégia na qual se define
uma disciplina por subárea foi prescindida. Convém ressaltar que o corpo de conhecimento da
área foi extensivamente discutido e empregado.
21
Em vez de adotar a classificação comumente empregada em disciplinas de graduação e pós-
graduação ou em livros amplamente adotados, o conteúdo (ementa) atribuído a cada disciplina do
BIA levou em consideração tópicos entre os quais há sinergia. Essa orientação é compatível com
práticas em Inteligência Artificial, que não apenas reconhece, mas também respeita os vínculos
entre as suas subáreas. Isso resultou em disciplinas coerentes com a prática em Inteligência
Artificial.
A Figura 4 ilustra uma disciplina X qualquer do BIA, composta por conteúdo das subáreas A, B e
C. Isso significa que o conteúdo de X não está contido estritamente na subárea A, B ou C. Em vez
disso, reúne e explora a interdependência de conceitos destas quatro subáreas.
Figura 4: Disciplina do curso baseada em conhecimento de várias subáreas.
As subáreas “Aprendizado de Máquina Supervisionado” e “Aprendizado de Máquina Não

Supervisionado” e “Aprendizado de Máquina por Reforço” por exemplo, são contempladas em
várias disciplinas do curso e não apenas nas disciplinas nas quais são o foco principal de interesse.
A disciplina que enfatiza “Percepção Robótica”, por exemplo, inclui aspectos de “Visão
Computacional”, “Internet das Coisas” e “Processamento Digital de Sinais e Imagens”. De forma
resumida, as disciplinas não são uma projeção cartesiana de 20 subáreas de conhecimento da
Inteligência Artificial. Em vez disso, são 20 disciplinas cobrindo reiteradamente várias áreas da
IA, das quais uma disciplina cobre diversas áreas necessárias para a execução de um projeto real
de produção de sistemas inteligentes e autônomos.
Ar3culação entre Teoria e Prá3ca Profissional

O Perfil do Egresso (p. 19) exige do estudante concluinte o envolvimento com o fazer, a partir do
exercício do conhecimento de Inteligência Artificial.
22
Essa articulação é explicitamente estabelecida por meio da seção “Condições mínimas” definida
para cada disciplina de Inteligência Artificial. Estas condições, em geral, definem o que o egresso
é capaz de realizar com o conhecimento. Dessa forma, o que convencionalmente se limita ao
conteúdo, ou teoria, deverá ser exercitado, por meio de práticas, com nível bem definido de
proficiência.
A disciplina “Residência em Inteligência Artificial” (p. 69) é um ponto explícito do curso no qual
a prática é o elemento principal, perfazendo 384 horas. O fazer, contudo, não está restrito a essa
disciplina. A capacidade de realização de atividades pertinentes ao desenvolvimento de sistemas
inteligentes e autônomos é exigência em boa parte das disciplinas.
Interdisciplinaridade
Produzir sistemas inteligentes e autônomos significa, necessariamente, o encontro de, pelo menos,
dois domínios. O domínio da solução, no qual a Inteligência Artificial é exercitada e o domínio do
problema, que justifica a existência de sistemas inteligentes e autônomos. O domínio do problema
é “universal”, pois inclui logística, segurança, saúde, educação, gestão, transformação, controle,
automação, dentre muitos outros. Fazer sistemas inteligentes e autônomos, portanto, por si só,
exige o contato com outras áreas do conhecimento.
O acesso a outras áreas pode vir por meio das disciplinas do Núcleo Livre (NL). O BIA exige o
mínimo de 128 horas de disciplinas do NL para integralização curricular. Essas disciplinas são
escolhidas pelo estudante dentre todas aquelas oferecidas na UFG. O conjunto de opções de outras
áreas do conhecimento é rico, o que contribui com uma formação ampla do estudante. Convém
destacar que 128 horas perfazem a quantidade mínima exigida; todavia, o estudante pode fazer uso
de uma carga horária maior. O mesmo é válido para o estágio não obrigatório e para as atividades
complementares. O estudante deve cumprir um mínimo de 192 horas em atividades
complementares.
A interdisciplinaridade estimulada pelos elementos citados acima é extra-curso. Aquela intra-curso

é tratada tanto pela definição das disciplinas quanto pela disciplina “Residência em Inteligência
Artificial” (p. 69). Nesses casos a interdisciplinaridade é compulsória, pois faz parte da própria
concepção do curso. Adicionalmente, sem restringir a liberdade metodológica do docente, cabe ao
NDE orientar a definição de programas de disciplinas que cultivem a interdisciplinaridade.
Um novo ambiente para uma nova geração

O projeto pedagógico do curso apresenta um “ambiente” (ou ecossistema) em implantação no INF
que complementa de forma importante a estrutura curricular, normalmente descrita apenas como
um conjunto de disciplinas.
23
Por conta da revolução digital, muitos estudantes terão funções ou empregos diferentes dos que
existem hoje. Entretanto, é evidente que não será apenas um treinamento tecnológico que irá
prepará-los para isso. É comum a universidade considerar como instrumentos de atualização e
coerência apenas as mudanças possíveis em termos da matriz curricular e da aplicação de novas
metodologias pedagógicas (ou andragógicas). A Figura 5 apresenta um instrumento adicional
pouco explorado (ou entendido), mas que no atual momento tem se mostrado relevante por
diversos estudos: o aspecto cognitivo, afetivo e social das gerações.
Figura 5: Modelagem dos “instrumentos” disponíveis para ensino-aprendizagem.
Por exemplo, entre as habilidades necessárias para a nova geração estão a capacidade de: liderar
um time; adaptar-se a um mercado complexo; conectar-se a pessoas com experiências e
habilidades diferentes; trabalhar com tecnologia de maneira produtiva e sustentável, e não
destrutiva ou polarizada . Os integrantes desta geração que começa a chegar na universidade, de
uma forma geral, tendem a ser líderes movidos por valores e engajam-se quando existe uma
oportunidade real de criar impacto social.
O “ambiente” tem como base conceitual os trabalhos de Feuerstein e seus colaboradores e

resumidos pelo termo Teoria da Modificabilidade Cognitiva Estrutural (MCE) [FEUERSTEIN et
al., 2006]. A MCE entende a inteligência como um processo dinâmico de autorregulação capaz de
dar respostas aos estímulos ambientais. Todo organismo humano, se bem mediado, possui a
capacidade de mudar a estrutura do seu funcionamento independentemente da idade ou problema
que possa ter enfrentado em qualquer momento da vida. Os times autogerenciados (ou
24
autogerenciáveis) [WILKINSON, 1998] e os esforços temporários para se obter um produto,
serviço ou resultado, ou seja, os Projetos [PMI, 2017], são os outros dois pilares fundamentais do
“ambiente”.
Disciplina “Residência em Inteligência Ar3ficial”

Essa disciplina de 384 horas tem como objetivo explícito a participação do estudante em um ou
mais projetos integradores que usufruem de conhecimento e habilidades adquiridos por todo o
curso. Os projetos exigem o contato com problemas reais, o que exige contato tanto com o
conhecimento quanto profissionais de outras áreas. Mais detalhes são apresentados na página 69.
A3vidades supervisionadas
De acordo com a Resolução CNE/CES 03/2007 de 2 de julho de 2007, cabe às Instituições de
Educação Superior, respeitando o mínimo dos duzentos dias letivos de trabalho acadêmico efetivo,
a definição da duração da atividade acadêmica ou do trabalho discente efetivo, o que compreende:
(a) preleções e aulas expositivas e (b) atividades práticas supervisionadas, tais como laboratórios,
atividades em biblioteca, iniciação científica, trabalhos individuais e em grupo, práticas de ensino
e outras atividades no caso das licenciaturas.
O BIA divide cada hora de atividade acadêmica em 50 minutos de preleções e aulas expositivas e
10 minutos de atividades práticas supervisionadas, em conformidade com o Regulamento Geral
dos Cursos de Graduação (RGCG) da UFG [CEPEC 2017]. O planejamento de cada hora deve
estar devidamente registrado no plano de cada disciplina. Em particular, o plano deve incluir de
forma clara as atividades práticas supervisionadas.
VI - Núcleo Docente Estruturante (NDE)

O NDE do BIA adota os seguintes princípios:
• O NDE possui duas prioridades: a maior é colocar em prática o PPC; a seguinte é mantê-
lo relevante.
• Qualquer questão que diz respeito às prioridades é do interesse do NDE e pode resultar
em ação.
• Toda ação necessariamente deve gerar valor e estar alinhada com as prioridades.
• Uma ação constante e preconcebida é zelar pelos princípios aqui descritos.
• O NDE entende que o diálogo é necessário e que a diversidade é natural, assim como o
confronto de ideias.
Esses princípios definem que todo o conteúdo do presente PPC e a aplicação dele está no raio de
atuação do NDE. O que inclui:
25
• Acompanhar a execução das ações de ensino, pesquisa e extensão pertinentes ao curso.
• Acompanhar a avaliação das ações do curso.
• Emitir opinião sobre ações pertinentes ao curso.
• Monitorar o desempenho dos estudantes.
• Promover ações que possam reduzir reprovações.
• Monitorar resultados dos trabalhos de conclusão de curso.
• Monitorar ações de estágios dos estudantes do curso.
• Acompanhar e se pronunciar acerca de reclamações pertinentes ao curso.
• Avaliar de forma contínua o PPC do curso.
• Acompanhar e promover a qualificação de docentes.
• Acompanhar e promover a qualificação do corpo técnico-administrativo.
O NDE, portanto, não se apresenta como órgão ou mecanismo deliberativo, mas consultivo. Reúne
docentes que continuamente refletem sobre questões pertinentes ao curso e, em consequência,
definem ações que assistem, apoiam e fomentam a qualidade do curso, bem como contribuem com
a execução dessas ações.
A atuação do NDE deve ser realizada em estreita interação com a coordenação do curso.
Entretanto, não é nem pode ser vista como meio para auxiliar a realização de fluxos
administrativos (atribuição da coordenação do curso).
Convém observar que as atuações estabelecidas acima estão em conformidade com a resolução da
Comissão Nacional de Avaliação da Educação Superior (CONAES), 01/2010 de 17 de junho de
2010, a qual “normatiza o núcleo docente estruturante”, e são esclarecidas pelo parecer CONAES
04/2010 de 17 de junho de 2010. Ademais, o NDE do BIA deve estar em conformidade com os
parâmetros e atribuições definidas pela Resolução do Conselho de Ensino, Pesquisa, Extensão e
Cultura da UFG [CEPEC-2 2014].
VII - Polí3ca e gestão de estágio não obrigatório

O estágio curricular do BIA constitui-se em um mecanismo de complementação de conhecimento
e aperfeiçoamento de habilidades, além de oportunidade de aplicá-los na prática. O convívio com
profissionais, obrigações, hierarquias e processos onde o estágio se desenvolve, resulta em
oportunidade valiosa para a formação profissional do egresso.
O estágio do BIA não é de caráter obrigatório, ficando a critério do estudante realizá-lo ou não,
desde que o mesmo esteja regularmente matriculado no curso. Adicionalmente, esse estágio deve
ser realizado a partir do terceiro período do curso.
26
Convém observar que o estágio está restrito às empresas devidamente conveniadas com a UFG ou
que se utilizam de agentes de integração conveniados. Adicionalmente, dois outros papéis são
obrigatórios no estágio: (a) supervisor (no local do estágio) e (b) orientador (professor do curso).
Durante o estágio, que não pode ultrapassar 24 meses em mesmo local, o estudante deverá
apresentar o Termo de Compromisso, o Plano de Estágio, além da frequência e dos relatórios
semestrais. As atividades que o estudante for desenvolver no estágio, devem estar relacionadas ao
objetivo geral do curso de Bacharelado em Inteligência Artificial. Essas atividades deverão ser
descritas no Plano de Estágio, que deverá ser aprovado e acompanhado pelo coordenador de
estágio, supervisor na empresa concedente e professor orientador do Instituto de Informática.
Os documentos citados anteriormente, bem como outros detalhes do estágio, em conformidade

com a Lei 11.788/2008, são definidos pelo Regulamento de Estágio de Curso do Bacharelado em
Inteligência Artificial que, por sua vez, é baseado na resolução da UFG [CEPEC-3 2017].
VIII - Trabalho de Conclusão de Curso (TCC)

O Trabalho de Conclusão de Curso (TCC) no BIA é um componente curricular obrigatório
regulado pelas Normas e Procedimentos de Trabalho de Conclusão de Curso do Bacharelado em
Inteligência Artificial.
O TCC é desenvolvido na última etapa da graduação, sob a orientação de um professor e

compreende um trabalho escrito, detalhado nas Normas e Procedimentos de TCC do BIA, e uma
apresentação.
O trabalho é individual e tem como objetivo a expressão do estudante na forma escrita, a

capacidade de analisar, caracterizar, investigar, discutir, implantar, pesquisar, realizar, sintetizar e
avaliar, entre outras. Neste sentido, o trabalho descreve, de forma crítica, as atividades teórico-
práticas e de formação relacionadas ao desenvolvimento do estudante como profissional, em
especial, durante a disciplina Residência em Inteligência Artificial (p. 69).
A apresentação do trabalho, também individual, é realizada como última atividade do curso e tem
como objetivo a expressão do estudante, na forma oral, das atividades descritas no trabalho, em
seção pública e para uma banca formada por professores do INF. A banca de professores tem o
direito a um período de arguição e é responsável pela avaliação tanto do trabalho quanto da
apresentação.
IX - Integração ensino, pesquisa e extensão
27
A integração do Ensino, Pesquisa e Extensão (EPE) se verifica por meio de atividades
complementares, do estágio não obrigatório, envolvimento em programas institucionais,
disciplinas do curso e postura didática dos docentes, conforme comentado a seguir.
A validação das atividades complementares [CEPEC 2017] são identificadas em resolução

própria, perfazem minimamente 192 horas e explicitamente incluem ações de extensão e de
pesquisa. Por exemplo, divulgação de trabalhos em eventos científicos, participação em projetos
de extensão e participação em projetos de pesquisa, dentre outras.
O estágio não obrigatório é um instrumento de integração [CEPEC-3 2017]. As atividades a serem

realizadas pelo estudante podem incluir ações de pesquisa.
Existe na UFG programas institucionais regulares de incentivo à pesquisa e à extensão, por

exemplo os editais de Iniciação Científica, Desenvolvimento Tecnológico e Inovação, bem como
programas de Extensão e Cultura. Estes programas contam com a participação de docentes e
discentes com o intuito de fortalecer ações de pesquisa e extensão na universidade.
A disciplina Pesquisa e Inovação oferece a visão exigida para a realização de pesquisas na área.
Porém, isso não significa apenas orientar o estudante acerca da elaboração de um trabalho
específico como revisão sistemática; implica também na expansão do conhecimento do estudante
no que diz respeito à área de conhecimento e aos mecanismos empregados nela.
No sentido de integrar EPE, também há a disciplina de 384 horas, Residência em Inteligência

Artificial. Essa disciplina envolve em sua concepção o ensino, a extensão e a pesquisa ao se
concentrar em projetos executados em um ambiente acadêmico motivante. Qualquer que seja o
projeto, ele envolverá extensão e/ou pesquisa, naturalmente, mesmo se passando em um cenário
de aprendizado (ensino).
Entretanto, essa integração, em consonância com o PDI (Plano de Desenvolvimento Institucional),

segundo Instrução Normativa CEPEC nº 03 de 2016 da UFG [CEPEC-4, 2016], não ocorre apenas
por meio dos elementos acima, haja vista que são pontos de integração que ocorrem em períodos
específicos. Entende-se que a integração deve ocorrer em diversos momentos e ações do curso.
Por exemplo, uma postura didática recomendável exige a contextualização de cada aula acerca do
que será visto, da repercussão ou relação dela com o mercado de IA e do estado da arte corrente.
Essa postura é exigida por meio das “condições mínimas” definidas para cada disciplina. Portanto,
a integração do EPE permeia todo o curso.
X - Avaliação do processo de ensino e aprendizagem
28
As avaliações são instrumentos para verificar diversas questões, entre elas, se o estudante está
adquirindo o perfil esperado pelo PPC. São exemplos de avaliações externas a avaliação do curso
pelo MEC e ENADE. Do ponto de vista interno, pode-se citar a avaliação do docente pelo
discente (instrumento formal e institucionalizado na UFG) e o desempenho dos estudantes do
curso nas disciplinas. Outros elementos também são insumos para fazer avaliação do processo de
ensino e aprendizagem, por exemplo a análise dos planos de ensino, participação em projetos e
estágio, e também do Alumni.
O NDE do curso é o principal consumidor dessas informações com o propósito de detectar

possíveis melhorias e fomentar a introdução delas. Essa avaliação, de caráter contínuo, deve estar
sempre acompanhada das devidas ações. Dois momentos estratégicos para se discutir e
implementar essas ações ou fazer análises acerca do processo de avaliação do processo de ensino e
aprendizagem são as semanas de planejamento acadêmico, definidas no calendário acadêmico da
UFG, antes dos inícios dos semestres letivos regulares.
A avaliação do processo de ensino e aprendizagem é assunto pertinente ao NDE (p. 25). O PPC,
não estabelece ações específicas para tratar estas questões, entretanto, fornece os princípios a
serem adotados pelo NDE do curso.
A avaliação do processo de ensino e aprendizagem do BIA deve atender, no seu planejamento e na

forma contínua de sua execução, o estipulado pelo Regulamento Geral dos Cursos de Graduação
(RGCG) da UFG [CEPEC 2017], notadamente em seu Capítulo IV, Seção 1 - “Da Avaliação”.
Cabe ressaltar que o Sistema de Avaliação do BIA tem como objetivo primeiro de sua aplicação,
por meio de sua Estrutura Curricular (p. 37), utilizando instrumentos pedagógicos norteados pelos
Princípios Norteadores (p. 20), permitir que cada estudante adquira o perfil desejado (p. 19).
A avaliação do estudante deve levar em consideração não apenas o atendimento de requisitos

técnicos, mas também demonstrar postura ética e profissional ao desenvolver ações do curso.
Convém destacar que as disciplinas específicas de Inteligência Artificial são acompanhadas, cada
uma delas, de seção de “condições mínimas” (p. 57), que identificam habilidades mínimas a serem
demonstradas pelo estudante para ser considerado aprovado na disciplina. Embora essa seja uma
interpretação correta, a intenção é estabelecer um contrato claro do compromisso do estudante e
do docente com a disciplina em questão. A avaliação de cada uma dessas disciplinas, portanto,
necessariamente deve observar as condições mínimas estabelecidas. De fato, a condução de toda a
disciplina deve ser orientada por tais condições.
29
Dada a especificidade da disciplina “Residência em Inteligência Artificial” (p. 69), o sistema de
avaliação também é específico. Nesse caso, as avaliações devem envolver capacidade de: (i)
identificar, compreender, analisar, modelar e construir sistemas capazes de lidar problemas
complexos; (ii) analisar, explorar e extrair conhecimento de grandes bases de dados a fim de dar
suporte à decisão; (iii) integrar dispositivos ou sistemas já existentes para produzir novos
ambientes computacionais; (iv) utilizar técnicas de IA, compreendendo o impacto direto ou
indireto sobre as pessoas e a sociedade; (v) trabalhar de forma harmoniosa, profissional e ética,
individualmente ou em grupo com outros profissionais; etc. Em particular, atividades avaliativas
podem ser realizadas mesclando teoria e prática em um ambiente real de desenvolvimento de
sistemas inteligentes e autônomos, no qual a qualidade estabelecida para os entregáveis do projeto
em questão é verificada.
XI - Avaliação do projeto pedagógico de curso

A avaliação do BIA deve ser feita periodicamente e sistematicamente, tanto de forma proativa
quanto de forma reativa, na ocorrência de evento que justifique responsividade.
O NDE é responsável pelas revisões do PPC e pela vigilância contínua da adequação do PPC ao
cenário corrente. Esse esforço deve considerar a implantação das orientações descritas no PPC e
análise de possíveis melhorias para adequar às mudanças ambientais.
O acompanhamento do curso pelo NDE deve considerar necessidades, possibilidades e

proposições de mudanças provindas de diversas fontes como: estudantes, docentes, resultados dos
estudantes no Exame Nacional de Desempenho de Estudantes (ENADE), resultados dos
estudantes no POSCOMP (Exame Nacional para Ingresso na Pós-Graduação em Computação), as
DCN da área de Computação, os Referenciais de Formação para os Cursos de Graduação em
Computação da SBC (Sociedade Brasileira de Computação), resultados de avaliações realizadas
pela Comissão Própria de Avaliação (CPA) da UFG, entre outras.
XII - Polí3ca de qualificação

Desde a criação o Instituto de Informática implementa uma política vigorosa de capacitação do
seu corpo docente, a qual inclui a meta de que todos os docentes tenham a titulação mínima de
doutor. De fato, a liberação de docentes para prosseguirem os seus estudos de pós-graduação é
uma prática comum, em consequência, nenhum pedido para afastamento com o propósito de
realizar o doutorado foi negado até o momento. Essa política é acrescentada de regras
institucionalizadas para a concessão de afastamento para o pós-doutorado e de licença para
capacitação.
30
A qualificação de docentes do INF também pode ser obtida pela sua participação em congressos,
simpósios, dentre outros eventos, quer seja nos papéis de autor de artigo, organizador de evento,
membro de comitê de programa ou avaliador de artigo. O Instituto de Informática ainda financia
ou cofinancia viagens e inscrições de seus docentes em congressos e simpósios importantes,
principalmente quando há publicação de artigo.
Em harmonia com a política de capacitação docente, o INF é favorável ao aprimoramento e à

capacitação de seu corpo Técnico-administrativo em Educação (TAE). Normalmente, um TAE faz
solicitação ao diretor, encarregado de registrar as intenções de afastamento no plano anual de
capacitação e conduzir a apreciação das intenções pelo Conselho Diretor do INF, haja vista que é
do interesse da unidade fomentar a especialização e capacitação dos seus profissionais.
É frequente a liberação das atividades de TAE para que possam participar de treinamentos, tanto
em cursos esporádicos quanto em programas de pós-graduação. Em tempo, as ações de extensão
do INF reservam vagas exclusivas para participação de TAEs, sem necessidade de pagamento
(quando é o caso).
Do ponto de vista legal, o INF se apoia na Resolução CEPEC 1286/2014 de 2014 [CEPEC-1
2014], que regulamenta o afastamento de docentes para cursar Mestrado, Doutorado e estágios
Pós-Doutorais, e na Resolução CONSUNI 02/2014 [CONSUNI 2014], que regulamenta o
Programa de Capacitação e o Plano Anual de Capacitação dos TAEs. Em consonância com a
Resolução CEPEC 1286/2014, o INF instrui o afastamento de docentes com a Resolução CD/INF
n. 01 de 2014, que dá suporte ao planejamento administrativo e incentiva a participação de seus
docentes, em cursos de doutorado, pós-doutorado e capacitação, no país e no exterior, de acordo
com a sua política de pessoal para o ensino, a pesquisa, a extensão e a administração.
Por fim, cabe ao NDE monitorar o PPC e, consequentemente, promover ações que promovam a
qualidade dos serviços oferecidos tanto por docentes quanto por TAEs.
XIII - Requisitos legais e norma3vos

O curso de Bacharelado em Inteligência Artificial contempla requisitos legais específicos, a saber:
a) Condições de Acesso para Pessoas com Deficiência e/ou Mobilidade

Reduzida
A Universidade Federal de Goiás (UFG) apresenta condições de acesso para pessoas com
deficiência e/ou mobilidade reduzida, sendo fundamentado decreto No 5.296, de 02 de dezembro
de 2004, que regulamenta as leis N° 10.048, de 8 de novembro de 2000, que dá prioridade de
31
atendimento às pessoas que especifica, e N° 10.098, de 19 de dezembro de 2000, que estabelece
normas gerais e critérios básicos para a promoção da acessibilidade das pessoas portadoras de
deficiência ou com mobilidade reduzida, e dá outras providências.
b) Diretrizes Curriculares Nacionais do Curso

Este PPC é fundamentado na Lei No 9.394/96, de diretrizes e bases da educação nacional, e na
resolução CNE/CES No 005/2016, de 16 de novembro de 2016, que institui Diretrizes
Curriculares Nacionais (DCN) para os cursos de graduação em Computação. Apesar do
Bacharelado em Inteligência Artificial ser o primeiro curso desta sorte no Brasil e ainda não estar
contemplado nas DCN, trata-se de um curso de Computação.
c) Diretrizes Nacionais para Educação em Direitos Humanos

Este PPC contempla as Diretrizes Nacionais para a Educação em Direitos Humanos, por meio das
disciplinas Computação e Sociedade (2o período) e Pesquisa e Inovação (7o período), com uso de
conteúdos expositivos, textos, discussões, debates e outras atividades curriculares do curso, sendo
fundamentado no parecer CNE/CP No 8, de 06 de março de 2012, que originou a Resolução
CNE/CP No 1, de 30 de maio de 2012, que estabelece Diretrizes Nacionais para a Educação em
Direitos Humanos.
d) Educação das Relações Étnico-Raciais e para o Ensino de História e

Cultura Afro-Brasileira e Africana
A Resolução Nº 1, de 17 de junho de 2004, trata das Diretrizes Curriculares Nacionais para a
Educação das Relações Étnico-Raciais e para o Ensino de História e Cultura Afro-Brasileira e
Africana.
O objetivo é claro: “combater o racismo e as discriminações que atingem particularmente os

negros. Nessa perspectiva, propõe a divulgação e produção de conhecimentos, a formação de
atitudes, posturas e valores que eduquem cidadãos orgulhosos de seu pertencimento étnico-racial,
descendentes de africanos, povos indígenas, descendentes de europeus, de asiáticos.”
Tal objetivo pressupõe a “adoção de políticas educacionais e de estratégias pedagógicas de

valorização da diversidade”, conforme consta na Resolução, assim como os princípios a serem
observados para atendê-la: (a) consciência política e histórica da diversidade; (b) fortalecimento
de identidades e de direitos e (c) ações educativas de combate ao racismo e a discriminações.
O Art. 7.º da Resolução ainda destaca: “as instituições de ensino superior, respeitada a autonomia
que lhe é devida, incluirão nos conteúdos de disciplinas e atividades curriculares dos diferentes
32
cursos que ministram, a Educação das Relações Étnico-Raciais, bem como o tratamento de
questões e temáticas que dizem respeito aos afrodescendentes.”
Tendo em vista o requisito legal estabelecido pela Resolução, duas linhas de atuação são adotadas
pelo BIA: inserção de conteúdo pertinente em duas disciplinas curriculares obrigatórias e o
Programa Institucional de Extensão do Instituto de Informática. Ambas comentadas abaixo.
Disciplinas de graduação obrigatórias

As disciplinas “Computação e Sociedade” e “Pesquisa e Inovação” (p. 68) incluem, em seus
ementários, tópicos pertinentes às exigências da Resolução. Em particular, remetem para o
conhecimento de questões pertinentes ao continente africano e para o conhecimento e respeito à
diversidade.
Programa ins3tucional
O Programa Institucional de Extensão do Instituto de Informática será realizado por meio de
ações, boa parte com ênfase na socialização de conhecimento sobre questões pertinentes à
formação dos brasileiros, o que invariavelmente inclui os negros e indígenas. Esse conhecimento é
indispensável para a promoção da diversidade, do respeito às diferenças e da igualdade
independente das crenças, do sexo, da idade, da cor, da condição social.
O Instituto de Informática, por meio desse programa de extensão, dedicado exclusivamente às

relações étnico-raciais e ao meio ambiente, oferece atuação contínua sobre esses tópicos, durante
toda a permanência dos seus estudantes nessa unidade, sejam de graduação ou pós-graduação.
Especificamente sobre questões de cunho étnico-racial, sem a intenção de ser uma apresentação
exaustiva, nem restritiva, são identificadas algumas ações possíveis:
• Ações afirmativas por meio de cursos de extensão.
• Ações para promoção da diversidade.
• Palestras sobre a construção de uma sociedade justa.
• Palestras sobre a diversidade da formação dos brasileiros.
• Palestras sobre a história afro-brasileira, sobre a história africana.
• Palestras sobre os povos indígenas.
• Apresentações artísticas que valorizem a cultura africana e indígena.
e) Informações acadêmicas
Todas as informações acadêmicas do curso de Bacharelado em Inteligência Artificial são
disponibilizadas tanto de forma virtual, por meio do sítio do curso, quanto de forma impressa, na
33
secretaria do curso, conforme determinado na Portaria Normativa n° 40 de 12 de dezembro de
2007, alterada pela Portaria Normativa MEC N° 23 de 01 de dezembro de 2010, publicada em 29
de dezembro de 2010.
f) Libras
O Decreto 5.626/2005 regulamenta a Lei 10.436, de 24 de abril de 2002, e o artigo 18 da Lei
10.098, de 19 de dezembro de 2000. Segundo esse Decreto, a disciplina curricular Libras é
obrigatória para vários cursos, dentre eles, as licenciaturas e os cursos de Fonoaudiologia. O
Decreto também estabelece que, nos demais cursos, a disciplina curricular Libras seja optativa,
conforme o Capítulo II, § 2º: “a Libras constituir-se-á em disciplina curricular optativa nos demais
cursos de educação superior”.
Em atenção a tal requisito legal, o Bacharelado em Inteligência Artificial inclui a disciplina Libras
como optativa, no sétimo período do curso.
g) Polí3ca de educação ambiental

A Lei 9.795, de 27 de abril de 1999, institui a Política Nacional de Educação Ambiental, que é
regulamentada pelo Decreto 4.281, de 25 de junho de 2002. Conforme essa Lei, Seção II, Art. 10,
“a educação ambiental será desenvolvida como uma prática educativa integrada, contínua e
permanente em todos os níveis e modalidades do ensino formal”. Adicionalmente, lê-se na Seção
II, Art. 10, § 1º: “a educação ambiental não deve ser implantada como disciplina específica no
currículo de ensino”. O destaque (negrito) é do presente documento.
O Bacharelado em Inteligência Artificial trata a Educação Ambiental por três linhas contínuas de
atuação: planejamento das disciplinas, disciplinas obrigatórias e Programa Institucional do
Instituto de Informática, ambas comentadas abaixo.
Planejamento das disciplinas

O planejamento de cada turma deve se inspirar em possíveis estratégias de inserção de questões
ambientais. Por exemplo, adoção de material em formato digital em vez de formato impresso.
A apresentação do conteúdo de cada disciplina também pode se beneficiar do volume significativo

de dados sobre o meio ambiente. Por exemplo, área desmatada ao longo do tempo; áreas de
preservação; consumo de energia; emissão de CO ; qualidade do ar; consumo de materiais
2
poluentes e geração de lixo eletrônico. Tais dados podem ser empregados para ilustrar o
funcionamento de algoritmos e visualização de informações, dentre outras possibilidades.
34
Convém destacar que esses exemplos devem ser vistos como elementos de inspiração, a serem
renovados continuamente.
Disciplinas obrigatórias
As disciplinas Computação e Sociedade e Pesquisa e Inovação (previstas para os 2° e 7° períodos,
respectivamente) incluem, em seus ementários, tópicos pertinentes às exigências da Resolução.
Em particular, remetem para o conhecimento de questões relativas à educação e conscientização
da preservação ambiental.
Programa ins3tucional
A UFG executa um Plano de Logística Sustentável (PLS), que estabelece práticas de
sustentabilidade e racionalização de gastos e processos na administração pública [PLS]. Esse
plano é internalizado no Instituto de Informática por um Programa Institucional de Extensão.
O PLS une o cotidiano da prática acadêmica com atitudes “sustentáveis” por meio de
recomendações simples, como a impressão em ambos os lados de uma folha e a redução do uso de
copos descartáveis, dentre muitas outras.
O Programa Institucional reúne ações que contemplam as orientações do PLS. O objetivo é

colocar em prática essas orientações. Por exemplo, enquanto o PLS sugere a coleta seletiva, esse
programa cria um repositório para coleta de pilhas e baterias já utilizadas, além de assegurar que
aquele material coletado será descartado de forma correta.
O Programa Institucional possui objetivos e ações que incluem a educação ambiental. As opções
de ações variam. Dentre elas uma é constante: avaliação dos resultados. Dentre as demais:
• Cursos de extensão cuja inscrição seja lixo eletrônico;
• Elaboração de material de conscientização sobre consumo parcimonioso de água e
energia;
• Palestras e cursos sobre TI Verde (green computing);
• Pesquisa sobre consumo de energia por data centers;
• Divulgação e destaque de informações sobre o meio ambiente;
• Monitoramento e divulgação de informações ambientais sobre Goiás;
• Divulgação de softwares que promovem o meio ambiente, por exemplo, evitam
deslocamentos, evitam consumo de energia.
h) Proteção dos direitos da pessoa com Transtornos do Espectro Au3sta

A proteção dos direitos da pessoa com transtorno do espectro autista é fundamentada na Lei N.º
12.764 de 27 de dezembro de 2012, que institui a política nacional de proteção dos direitos da
35
pessoa com transtorno do espectro autista, e altera o § 3.º do Art. 98 da Lei N.º 8.112, de 11 de
dezembro de 1990. Esse requisito legal é atendido por meio da disciplina obrigatória Pesquisa e
Inovação, que inclui em seu ementário tópicos pertinentes ao tratamento de características
humanísticas e biológicas na construção de interfaces de usuário, o que possibilita a socializar
informações relevantes para que portadores do Transtorno do Espectro Autista possam ser
adequadamente considerados por meio de suas necessidades especiais.
i) Titulação do corpo docente

O corpo docente atuante no curso de Bacharelado em Inteligência Artificial é formado apenas por
doutores e mestres, estando assim em conformidade ao que determina o artigo 66 da Lei N° 9.394,
de Diretrizes e Bases da Educação Nacional, de 20 de dezembro de 1996.
j) Diretrizes para a Extensão na Educação Superior Brasileira

De acordo com o Art. 4 da Resolução CNE/CES 07/2018 de 18 de dezembro de 2018 [CNE-4,
2018], fica estabelecido que as atividades de extensão devem compor, no mínimo, 10% do total da
carga horária curricular estudantil dos cursos de graduação, e devem fazer parte da matriz
curricular dos cursos.
No BIA, as atividades complementares envolvem pesquisa, ensino e extensão; todavia, o cômputo

destas atividades de extensão não representam parte das 320 horas relativas ao percentual
estabelecido na Resolução CNE/CES 07/2018 [CNE-4, 2018].
As atividades de extensão, bem como os seus detalhes de cômputo e validação, em conformidade

com a Resolução CNE/CES 07/2018, são definidos pelo Regulamento de Atividades de Extensão
do Bacharelado em Inteligência Artificial.
36
XIV - Estrutura Curricular
Matriz curricular
A Figura 6 apresenta a síntese da matriz curricular do BIA, enquanto a Figura 7 evidencia quatro
conjuntos que emergem da matriz, a saber: Fundamentos em Matemática e Computação,
Mentalidade (“forma de pensar”), Técnicas e Integração.
Figura 6: Síntese da grade curricular do BIA.
A matriz curricular do curso perfaz 34 disciplinas descritas nos Quadros 1, 2 e 3.
O Quadro 1 apresenta a lista das 13 disciplinas de formação básica em computação. Em particular,

são 3 disciplinas oferecidas pelo Instituto de Matemática e Estatística (IME); as outras 10, são
oferecidas pelo INF. Todas elas são obrigatórias e pertencem ao Núcleo Comum (NC). Note que
os pré-requisitos das disciplinas estão apresentados na coluna Pré.
37
Figura 7: Grade curricular do BIA com os conjuntos emergentes.
As disciplinas do Quadro 1 fornecem uma sólida formação em Computação, o que inclui o

recomendado para a formação em Matemática. Além dessas, outras seis de Computação são
oferecidas como optativas no Quadro 3 (p. 39).
Quadro 1: Disciplinas de formação básica (obrigatórias). Não há correquisito.
Nº Disciplina Pré Unidade TEO PRA CHT Núcleo
1 Introdução à Programação INF 48 80 128 NC

2 Lógica Matemática INF 64 0 64 NC
3 Cálculo 1A IME 96 0 96 NC
4 Algoritmos e Estruturas de Dados 1 1 INF 32 32 64 NC
5 Programação Orientada a Objetos 1 INF 32 32 64 NC
6 Computação e Sociedade INF 32 0 32 NC
7 Arquitetura de Computadores INF 48 16 64 NC
8 Banco de Dados 2 INF 48 16 64 NC
9 Algoritmos e Estruturas de Dados 2 4 INF 64 0 64 NC
10 Probabilidade e Estatística A 3 IME 64 0 64 NC
11 Análise e Projeto de Algoritmos 4 INF 64 0 64 NC
12 Álgebra Linear IME 64 0 64 NC
13 Redes de Computadores INF 32 32 64 NC
38
As disciplinas do Quadro 2, por outro lado, são específicas do curso de Inteligência Artificial.
Todas elas são obrigatórias, fazem parte do Núcleo Específico Obrigatório (NEOB) e são
oferecidas pelo INF. Em particular, a disciplina Residência em Inteligência Artificial será
ministrada por mais de um professor, sendo esperado um número de cinco docentes.
Quadro 2: Disciplinas do Núcleo Específico Obrigatório. Não há correquisito.
Nº Disciplina Pré Unidade TEO PRA CHT Núcleo
14 Empreendedorismo INF 32 32 64 NEOB

15 Transformação Digital 14 INF 32 32 64 NEOB
16 Pensamento Analítico de Dados INF 32 32 64 NEOB
17 Mineração de Dados 16 INF 32 32 64 NEOB
18 Aprendizado de Máquina Supervisionado INF 32 32 64 NEOB
19 Processamento Digital de Sinais e Imagens INF 32 32 64 NEOB
20 Heurísticas e Modelagem Multiobjetivo INF 32 32 64 NEOB
21 Redes Neurais Profundas 3 INF 32 32 64 NEOB
22 Visão Computacional 19 INF 32 32 64 NEOB
23 Computação de Alto Desempenho INF 32 32 64 NEOB
24 Internet das Coisas 13 INF 32 32 64 NEOB
25 Processamento de Linguagem Natural 21 INF 32 32 64 NEOB
26 Aprendizado de Máquina Não Supervisionado 18 INF 32 32 64 NEOB
27 Aprendizado de Máquina por Reforço 21 INF 32 32 64 NEOB
28 Processamento de Dados Massivos 23 INF 32 32 64 NEOB
29 Percepção e Ação Robótica 20, 22 INF 32 64 96 NEOB
30 Apoio à Tomada de Decisão 17, 18 INF 32 32 64 NEOB
31 Processamento de Áudio e Voz 25 INF 32 32 64 NEOB
32 Pesquisa e Inovação INF 32 0 32 NEOB
33 Residência em IA 29, 30 INF 0 384 384 NEOB
Seis disciplinas são do Núcleo Específico Optativo. O estudante terá que escolher uma delas,
conforme as opções oferecidas no Quadro 3 abaixo.
Quadro 3: Disciplinas Opta'vas. Não há correquisito.
Nº Disciplina (opção) Pré Unidade TEO PRA CHT Núcleo
35 Computação Móvel e Ubíqua 5 INF 16 48 64 NEOP

35 Desenvolvimento de Sistemas para Web 5 INF 32 32 64 NEOP
36 Engenharia de Software INF 64 0 64 NEOP
37 Interação Humano-Computador 4, 10 INF 32 32 64 NEOP
39
38 Introdução à Língua Brasileira de Sinais FL 64 0 64 NEOP
39 Jogos Digitais 5 INF 0 64 64 NEOP
40 Pesquisa Operacional 12 INF 64 0 64 NEOP
41 Segurança e Auditoria de Sistemas 13 INF 32 32 64 NEOP
42 Sistemas de Apoio à Decisão 5 INF 64 0 64 NEOP
43 Sistemas Distribuídos 5 INF 32 32 64 NEOP
44 Sistemas Inteligentes de Apoio à Decisão 5 INF 64 0 64 NEOP
45 Sistemas Multiagentes 5 INF 32 32 64 NEOP
46 Sistemas Operacionais 7 INF 32 32 64 NEOP
47 Visualização de Informações 9 INF 32 32 64 NEOP
48 Web Semântica 5 INF 32 32 64 NEOP
A Figura 8 apresenta a relação de pré-requisitos da grade curricular. Ressalta-se que foram

estabelecidas apenas as relações consideradas estritamente necessárias.
Figura 8: Relação de pré-requisitos da grade curricular.
Núcleo livre
O Núcleo Livre (NL) é o conjunto de conteúdos voltado para promover a interdisciplinaridade e a
transdisciplinaridade, dentre outros objetivos.
40
A carga horária definida pelo BIA para o NL é de 128 horas, que é o mínimo estabelecido pelo
Regimento Geral dos Cursos de Graduação (RGCG) da UFG [CEPEC 2017]. O total de 128
horas perfaz 4% da carga horária do curso, conforme o Quadro 4 (p. 41).
A3vidades complementares
O estudante do BIA deve cumprir o mínimo de 192 horas em atividades complementares para a
integralização curricular. Essas horas correspondem a 6% da carga horária do curso, conforme a
distribuição da carga horária do curso no Quadro 4 (p. 41).
As atividades complementares contemplam ações de monitoria, produção científica, extensão,

produção técnica e de representação e qualificação, dentre outras. O cumprimento das atividades
complementares é estabelecido formalmente pelo Regulamento de Atividades Complementares do
Bacharelado em Inteligência Artificial, resolução [CEPEC 2017].
Distribuição da carga horária

Os Quadros 1, 2 e 3, juntamente com a definição das horas do Núcleo Livre (NL) e das Atividades
Complementares, seções acima, resultam nos valores apresentados no Quadro 4.
Quadro 4: Distribuição da carga horária.
Componentes curriculares CHT Percentual
Núcleo Comum (NC) 896 28%

Núcleo Específico (NE) (obrigatório) 1600 50%
Núcleo Específico (NE) (optativo) 64 2%
Núcleo Livre (NL) 128 4%
Atividades Complementares 192 6%
Atividades de Extensão 320 10%
CARGA HORÁRIA TOTAL (CHT) 3200 100%
Fluxo sugerido
Conforme o diagrama abaixo, as disciplinas estão organizadas em oito períodos letivos. Os quatro
primeiros períodos concentram as disciplinas de formação básica em Computação e Matemática.
Os demais períodos incluem disciplinas com ênfase na formação específica em Inteligência
Artificial.
41
Quadro 5: Fluxo sugerido.
Introdução à
1º Lógica Empreendedorismo
Programação
Algoritmos e
Programação Computação e Transformação
2º Cálculo 1 Estrutura de Dados
Orientada a Objetos Sociedade Digital
1
Algoritmos e
Análise e Projeto de Probabilidade e Pensamento
3º Estrutura de Dados Banco de Dados
Algoritmos Estatística A Analítico de Dados
2
Aprendizado de Processamento
Arquitetura de Mineração de Dados
4º Álgebra Linear Máquina Digital de Sinais e
Computadores
Supervisionado Imagens
Heurísticas e
Redes de Visão Redes Neurais Computação de Alto
5º Modelagem
Computadores Computacional Profundas Desempenho
Multiobjetivo
Aprendizado de Aprendizado de
Processamento de Processamento de
6º Internet das Coisas Máquina por Máquina Não
Dados Massivos Linguagem Natural
Reforço Supervisionado
Percepção e Ação Processamento de Apoio à Tomada de
7º Pesquisa e Inovação Optativa
Robótica Áudio e Voz Decisão
8º Residência em IA (384 h.) 100% Prática
Os oito semestres são detalhados nos quadros seguintes.
1º PERÍODO
Disciplina CHT Natureza Núcleo
Introdução à Programação 128 Obrigatória NC
Lógica Matemática 64 Obrigatória NC
Empreendedorismo 64 Obrigatória NE
Carga horária do período 256
Carga horária acumulada 256
42
2º PERÍODO
Cálculo 1A 96 Obrigatória NC
Algoritmos e Estruturas de Dados 1 64 Obrigatória NC
Programação Orientada a Objetos 64 Obrigatória NC
Computação e Sociedade 32 Obrigatória NC
Transformação Digital 64 Obrigatória NE
3º PERÍODO
Análise e Projeto de Algoritmos 64 Obrigatória NC
Algoritmos e Estruturas de Dados 2 64 Obrigatória NC
Banco de Dados 64 Obrigatória NC
Probabilidade e Estatística A 64 Obrigatória NC
Pensamento Analítico de Dados 64 Obrigatória NE
4º PERÍODO
Arquitetura de Computadores 64 Obrigatória NC
Álgebra Linear 64 Obrigatória NC
Processamento Digital de Sinais 64 Obrigatória NE
Aprendizado de Máquina Supervisionado 64 Obrigatória NE
Mineração de Dados 64 Obrigatória NE
43
5º PERÍODO
Redes de Computadores 64 Obrigatória NC
Heurísticas e Modelagem Multiobjetivo 64 Obrigatória NE
Redes Neurais Profundas 64 Obrigatória NE
Visão Computacional 64 Obrigatória NE
Computação de Alto Desempenho 64 Obrigatória NE
6º PERÍODO
Internet das Coisas 64 Obrigatória NE
Processamento de Linguagem Natural 64 Obrigatória NE
Aprendizado de Máquinas Não Supervisionado 64 Obrigatória NE
Aprendizado de Máquinas por Reforço 64 Obrigatória NE
Processamento de Dados Massivos 64 Obrigatória NE
7º PERÍODO
Percepção e Ação Robótica 96 Obrigatória NE
Apoio à Tomada de Decisão 64 Obrigatória NE
Processamento de Áudio e Voz 64 Obrigatória NE
Pesquisa e Inovação 32 Obrigatória NE
OPTATIVA 64 Optativa NE
44
8º PERÍODO
Residência em Inteligência Artificial 384 Obrigatória NE
Disciplinas de formação básica (obrigatórias)
Introdução à Programação
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 48 80 128 1o INF Sim Nenhum
Ementa
1. Introdução a algoritmos.
2. Conceitos básicos de programas: constantes; tipos de dados primitivos; variáveis;
atribuição; entrada e saída de dados; expressões; estruturas de decisão; estruturas de
repetição.
3. Ponteiro.
4. Estruturas de dados homogêneas e heterogêneas: vetores, matrizes, cadeias de caracteres,
registros. Subprogramas: funções; passagens de parâmetros por valor e por referência,
recursividade.
5. Manipulação de arquivos: abertura, fechamento, leitura e gravação.
6. Tipos de acesso a arquivos: sequencial e indexado.
7. Tipos de arquivos (texto e binário).
8. Transcrição de algoritmos para uma linguagem de programação.
9. Domínio de uma linguagem de programação: sintaxe e semântica; interpretação e
compilação de programas; ambiente de desenvolvimento de programas; estilo de
codificação; documentação de código; técnicas de depuração e técnicas de profiling;
desenvolvimento e uso de bibliotecas.
45
Lógica Matemá]ca
Ementa
1. Noções básicas: linguagem natural vs linguagens formais; verdade, validade,
satisfatibilidade; lógica proposicional (sintaxe e semântica, propriedades e relações
semânticas, consequência lógica, simplificação de fórmulas); lógica de primeira ordem
(sintaxe e semântica, propriedades e relações semânticas, formas normais);
2. Métodos de validação: métodos diretos de prova; métodos de prova por contradição;
indução estrutural.
3. Linguagem para experimentação.
4. Aplicações básicas.
Cálculo 1A
NC 96 0 96 2o IME Sim Nenhum
Ementa
1. Números reais. Funções reais de uma variável real e suas inversas.
2. Noções sobre cônicas.
3. Limite e continuidade.
4. Derivadas e aplicações.
5. Polinômio de Taylor.
6. Integrais. Técnicas de Integração. Integrais impróprias.
7. Aplicações..
Algoritmos e Estruturas de Dados 1

NC 32 32 64 2o INF Sim Introdução à Programação
Ementa
1. Noções de complexidade de algoritmos (notações de complexidade).
2. Algoritmos de pesquisa: pesquisa sequencial e binária.
3. Algoritmos de ordenação.
4. Tipos abstratos de dados.
5. Estruturas de dados utilizando vetores: pilhas, filas, listas (simples e circulares).
46
6. Estruturas de dados com alocação dinâmica de memória: pilhas, filas, listas
(simplesmente encadeadas, duplamente encadeadas e circulares).
Programação Orientada a Objetos

NC 32 32 64 2o INF Sim Introdução à Programação
Ementa
1. Abstração e tipos abstratos de dados.
2. Classes, métodos, encapsulamento, interface. Mensagens, instâncias e inicialização.
Herança e composição. Polimorfismo.
3. Uso de uma linguagem orientada a objetos.
4. Noções de UML.
5. Noções de padrões de projeto orientado a objetos.
Computação e Sociedade
Ementa
1. História da computação.
2. Estudo e análise de casos de aplicação de computadores na sociedade e para o meio
ambiente.
3. Subáreas da computação e áreas interdisciplinares.
4. Importância e desafios da computação no Brasil e no mundo.
5. Cursos de computação e aspectos profissionais: tipos de cursos, perfis profissionais,
demanda do mercado, organizações e associações na área, regulamentação da profissão.
6. Leis e normas relacionadas à Informática.
7. Questões ambientais, raciais, de saúde e de inclusão digital relacionadas à Computação.
8. Ética na Computação.
9. Empresas de tecnologia da informação.
10. Incubadoras de empresas.
47
Análise e Projeto de Algoritmos
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisitos:
NC 64 0 64 3.o INF Sim Algoritmos e Estruturas de Dados 1
Ementa
1. Medidas de complexidade, análise assintótica de limites de complexidade para algoritmos
iterativos e recursivos, técnicas de prova de cotas inferiores.
2. Corretude de Algoritmos.
3. Exemplos de análise de algoritmos.
4. Técnicas de projeto de algoritmos: dividir para conquistar, programação dinâmica,
algoritmos gulosos.
5. Introdução à NP-Completude.

NC 64 0 64 3.o INF Sim Algoritmos e Estruturas de Dados 1
Ementa
1. Árvores: formas de representação, recursão em árvores, árvores binárias, árvores binárias
de busca, árvores balanceadas (AVL e rubro-negras).
2. Filas de prioridades. Heaps, Heapsort. Hashing: tipos de funções de hashing; tratamento
de colisões.
3. Definições de Grafos.
4. Estruturas de Dados para representação de grafos.
5. Algoritmos básicos em grafos.
Banco de Dados
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisitos:
NC 48 16 64 3.o INF Sim Lógica Matemá]ca
Ementa
1. Conceitos básicos de Banco de Dados.
2. Modelo relacional.
3. Linguagens para Banco de Dados: álgebra relacional, cálculo relacional e SQL.
4. Modelo Entidade-Relacionamento e extensões.
5. Mapeamento ER-relacional.
6. Normalização.
48
Probabilidade e Estajs]ca A
NC 64 0 64 3.o IME Sim Cálculo 1A
Ementa
1. Estatística descritiva. Noções sobre amostragem.
2. Introdução à teoria de conjuntos.
3. Introdução à teoria de probabilidade: espaço amostral, eventos, frequência relativa,
fundamentos de probabilidade, probabilidade condicional, eventos independentes e
teorema de Bayes.
4. Variáveis aleatórias: conceitos básicos, esperança e variância.
5. Distribuições discretas de probabilidade: uniforme, binomial e Poisson.
6. Distribuições contínuas de probabilidade: uniforme, exponencial, normal e t-Student.
7. Estimação pontual e intervalar para uma população: média e proporção.
8. Teste de hipóteses para uma população: média e proporção.
9. Correlação linear e regressão linear simples.
Arquitetura de Computadores
Ementa
1. Visão geral dos computadores modernos.
2. Evolução da arquitetura dos computadores.
3. Memória e representação de dados e instruções.
4. Processador, ciclo de instrução, formato e endereçamento.
5. Noções básicas de programação em linguagem de montagem.
6. Dispositivos de entrada e saída.
7. Sistemas de interconexão (barramentos).
8. Interfaceamento e técnicas de entrada e saída.
9. Hierarquia de memória.
10. Introdução a arquiteturas paralelas e métricas de desempenho.
49
Álgebra Linear
NC 64 0 64 4.o IME Sim Nenhum
Ementa
1. Sistemas lineares e matrizes.
2. Espaços vetoriais.
3. Transformações lineares.
4. Autovalores e autovetores.
5. Espaços com produto interno.
Redes de computadores
NE 32 32 64 5o INF Não Nenhum
Ementa
1. Conceitos básicos de redes (4hs).
2. Camada de Aplicação (14hs).
3. Camada de Transporte: transferência confiável, controle de congestionamento, TCP, UDP
(12hs).
4. Camada de Rede: IPv4, IPv6, algoritmos de roteamento e roteamento na Internet (8hs).
5. Camada de Enlace e Física (10hs).
6. Redes sem fio, mobilidade e redes móveis celulares (12hs).
7. Estudo de caso e aplicações (4h).
50
Disciplinas opta3vas
Além das disciplinas de formação básica e das disciplinas específicas de Inteligência Artificial, o
estudante precisa cumprir uma disciplina optativa. Para isso, ele deverá cursar e ter êxito em ao
menos uma das disciplinas descritas nesta subceção.
Computação Móvel e Ubíqua

NE 16 48 64 7o INF Não Programação Orientada a Objetos
Ementa
1. Computação móvel e ubíqua: conceitos, principais características, internet das coisas,
smart spaces, sensibilidade a contexto, tecnologias de comunicação e desafios.
2. Plataformas de desenvolvimento móvel e modelos de negócio para comercialização.
3. Projeto de aplicações móveis: macro e micro arquitetura, padrões de interface com
usuário, persistência de dados, segurança, privacidade e comunicação.
4. Programação de aplicações móveis: middlewares, frameworks e sensores.
5. Prática em desenvolvimento de aplicações móveis.
Desenvolvimento de Sistemas para Web

Ementa
1. Abordagens, técnicas, tecnologias e ferramentas para desenvolvimento de sistemas de
informação para web tendo em consideração todo o ciclo de vida do desenvolvimento de
sistemas.
Engenharia de Sobware
NE 64 0 64 7o INF Não Nenhum
Ementa
1. Requisitos de software.
2. Projeto (design) de software.
3. Construção de software.
4. Teste de software.
51
5. Manutenção de software.
6. Gerência de configuração de software.
7. Gerência de projeto de software.
8. Processo de engenharia de software.
9. Modelos e métodos de engenharia de software.
10. Qualidade de software.
11. Prática profissional de engenharia de software.
12. Economia para engenharia de software.
13. Fundamentos de engenharia.
Interação Humano-Computador
NE 32 32 64 7o INF Não Algoritmos e Estruturas de Dados 1 e
Ementa
1. Aspectos gerais sobre interação humano-computador.
2. Características humanísticas e biológicas, envolvendo questões sobre genealogia, gênero,
aspectos étnicos, raciais e culturais, direitos e aspectos políticos, deficiências, limitações e
capacidades, dentre outros.
3. Ciclo da interação e principais problemas.
4. Metas de usabilidade e experiência do usuário.
5. Fatores humanos em software interativo: teoria, princípios e regras básicas.
6. Modelos conceituais e metáforas.
7. Estilos de interação.
8. Elementos de interação (menus, formulários, manipulação direta e outros).
9. Voz, linguagem natural, sons, páginas web.
10. Padrões para interface.
11. Localização e internacionalização.
12. Princípios de projeto de interfaces humano-computador.
13. Métodos de projeto de interação.
14. Projeto visual (cores, ícones, fontes e outros).
15. Tempo de resposta e retroalimentação.
16. Dispositivos de interação.
17. Métodos de avaliação de interfaces: avaliação heurística, abordagens para testes
realizados com apoio de usuários, técnicas de testes para páginas web, entre outros.
18. Visão geral de ferramentas de desenvolvimento de interfaces humano-computador.
52
Introdução à Língua Brasileira de Sinais
NE 64 0 64 7o FL Não Nenhum
Ementa
1. Introdução às práticas de compreensão e produção em LIBRAS através do uso de
estruturas e funções comunicativas elementares.
2. Concepções sobre a Língua de Sinais.
3. O surdo e a sociedade.
Jogos Digitais
Ementa
1. Conceitos fundamentais de jogos: storyboard, mecânica de jogos, game engines,
ambientação e animação em jogos.
2. Aplicação de técnicas de apresentação dos jogos.
3. Deploy de jogos em plataformas.
4. Noções de mercado e tendências tecnológicas para jogos.
Pesquisa Operacional
NE 64 0 64 7o INF Não Álgebra Linear
Ementa
1. Modelagem.
2. Problema de Programação Linear (PL). Resolução gráfica de PL.
3. Algoritmo Simplex. Dualidade. Algoritmo Simplex-Dual.
4. Pós-otimização e Análise de Sensibilidade.
Segurança e Auditoria de Sistemas

NE 32 32 64 7o INF Não Redes de Computadores
Ementa
1. Auditoria de sistemas.
2. Políticas de segurança.
53
3. Classificação das informações.
4. Normas de segurança.
5. Ética em segurança da informação.
6. Segurança de sistemas.
7. Ameaças e Ataques.
8. Vulnerabilidades em softwares, serviços e protocolos.
9. Aspectos especiais: vírus, fraudes, criptografia, acesso não autorizado.
10. Engenharia Social.
11. Tópicos Emergentes em Segurança.
Sistemas de Apoio à Decisão

Ementa
1. Tomada de decisão e processo decisório.
2. Fundamentos, técnicas e métodos de Sistemas de Apoio à Decisão.
3. Apresentação de estudos de caso.
Sistemas Distribuídos
Ementa
1. Introdução a Sistemas Distribuídos.
2. Invocação Remota.
3. Objetos Distribuídos.
4. Arquiteturas Orientadas a Serviços e utilização de serviços Web.
5. Computação Móvel e Ubíqua. Estudo de Casos de Tópicos Emergentes em Sistemas
Distribuídos.
Sistemas Inteligentes de Apoio à Decisão

Ementa
1. Conceitos básicos de Inteligência Artificial.
2. Representação do conhecimento e raciocínio.
54
3. Técnicas de Inteligência Artificial para desenvolvimento de Sistemas Inteligentes de
Apoio à Decisão.
4. Apresentação de estudos de caso.
Sistemas Mul]agentes
Ementa
1. Introdução à Inteligência Artificial e Agentes Inteligentes.
2. Arquiteturas para construção de Sistemas Multiagentes (SMA).
3. Comunicação e cooperação em SMA.
4. Tomada de Decisão em SMA.
Sistemas Operacionais
NE 32 32 64 7o INF Não Arquitetura de Computadores
Ementa
1. Conceitos de Hardware e Software.
2. Tipos de Sistemas Operacionais. Organização da Estrutura Interna do Sistema
Operacional. Gerência de Processos. Gerência do Processador. Gerência de Memória.
Gerência de Dispositivos de Entrada e Saída. Sistemas de Arquivos.
3. Estudos de casos de sistemas operacionais atuais.
Visualização de Informações
NE 32 32 64 7o INF Não Algoritmos e Estruturas de Dados 2
Ementa
1. Definições, história, modelos e categorias de visualizações de informação.
2. Semiótica e percepção visual.
3. Expressividade e efetividade de visualizações.
4. Interação com o usuário.
5. Exemplos de técnicas de visualização de informações.
6. Metodologias para desenvolvimento de uma visualização de informação.
7. Avaliação de visualizações.
8. Tendências futuras na área.
55
Web Semân]ca
Ementa
1. Fundamentos e arquitetura da Web Semântica.
2. Linguagens e/ou padrões para especificação de caracteres, localização, sintaxe, estrutura e
semântica de informação.
3. Ontologias.
4. Framework para programação de aplicações para Web Semântica.
56
Disciplinas específicas do BIA (obrigatórias)
Em geral, disciplinas são apresentadas em um padrão composto por ementa, bibliografia básica e
bibliografia complementar. As disciplinas de Inteligência Artificial, descritas nessa seção,
acrescentam uma dimensão denominada “condições mínimas”, elucidada a seguir.
Condições mínimas
Idealmente uma disciplina deve ser não ambígua e verificável. Por não ambígua entenda que, sem
interferir na autonomia metodológica do docente, o registro de cada disciplina deve ser preciso no
foco e no compromisso dela perante as demais ações do curso. Por verificável entenda que o
processo de avaliação dos estudantes deve ser bem definido.
O esforço para descrever uma disciplina sem ambiguidades e verificável não implica em
perfeição. Em vez desse alvo, o objetivo é reduzir as variações constatadas e decorrentes de quem
ministra a disciplina. Essas variações resultam em flutuação da qualidade, cuja redução é, de fato,
o que justifica o cuidado com a forma empregada para especificar as disciplinas.
A ementa de uma disciplina define o escopo do discurso da disciplina, ou seja, o que deve ser
abordado na disciplina. Para cada tópico da ementa uma carga horária é definida. Embora todos os
tópicos sejam relevantes, alguns devem receber maior atenção do que outros. O objetivo é zelar
pela consistência e coerência do projeto pedagógico como um todo. Noutras palavras, a simples
inversão ou alteração dessas horas só faz sentido se a repercussão for considerada em todo o
conjunto das disciplinas, o que resultaria em projeto pedagógico distinto. Adicionalmente, esta
atribuição de carga horária por tópico não é arbitrária, mas definida de forma criteriosa para
atender o perfil definido para o egresso do curso.
As condições mínimas definem o quanto o escopo, definido pela ementa, deve ser do domínio do
estudante para aprovação na disciplina em questão. Ou seja, enquanto a ementa define o objeto, as
condições mínimas definem o mínimo que se espera do estudante em relação a tal objeto para que
ele seja aprovado na disciplina. Essas condições são identificadas por um conjunto de atividades,
onde cada atividade é acompanhada de um nível. Ou seja, as atividades definem o que o estudante
deve estar apto a fazer, a realizar, acerca do objeto em questão, e o nível define a proficiência
esperada ao realizar a atividade em questão. São três os níveis:
• Segue instruções. O estudante é capaz de realizar passos. O estudante é capaz de

executar as instruções requisitadas pelo docente. Por exemplo, o estudante deve ser capaz
de “compilar código fonte” usando a ferramenta especificada.
57
• Faz com orientação. O estudante faz com orientação quando é capaz de realizar uma
atividade, sem que instruções ou passos detalhados sejam fornecidos, contudo, depende
da assistência do docente.
• Faz sem orientação. O estudante faz sem orientação quando realiza com a qualidade
esperada, sem necessidade de apoio, uma determinada atividade. Nesse nível o estudante
é capaz de dialogar com o docente sobre a atividade, sem depender dele para que possa
ser realizada.
As condições mínimas não se confundem com as condições “desejadas”, ou “ideais” de uma

disciplina. De fato, espera-se que o egresso de cada disciplina esteja apto a realizar atividades
além daquelas registradas nas condições mínimas e em níveis mais exigentes do que os
estabelecidos. Contudo, ao realizar todas as atividades, nos níveis identificados pelas condições
mínimas, o estudante é considerado aprovado na disciplina em questão.
Empreendedorismo
NE 64 0 64 1o INF Sim Nenhum
Ementa
1. EU S.A. (4h).
2. História e setores da economia (4h).
3. Conceito de Negócio (8h).
4. Modelagem e validação de negócio (16h).
5. Gestão financeira e financiamento (12h).
6. Planejamento e evolução empresarial (8h).
7. Estudos de casos e aplicações (12h).
Condições mínimas (estar apto a):

1. (Faz sem orientação). Identificar necessidades do mercado e preparar um modelo de
negócio.
2. (Faz com orientação). Analisar a viabilidade de negócios.
3. (Segue instruções). Calcular a necessidade financeira para a abertura de um negócio.
4. (Segue instruções). Compreender as necessidades de aquisição de conhecimento para um
novo negócio.
58
Transformação Digital
NE 32 32 64 2o INF Sim Empreendedorismo
Ementa
1. Domínios da transformação digital (8h).
2. Tecnologias exponenciais, estratégias digitais e análise de dados (8h).
3. Modelos de Negócios Digitais: online, online2offline, plataformas e variações de
marketplace (8h).
4. Processos de transformação digital (8h).
5. Estudos de caso: saúde, mídias, agronegócio, logística, segurança e cidades inteligentes
(32h).

1. (Faz sem orientação). Explicar as vantagens e limitações das tecnologias digitais.
2. (Faz com orientação). Identificar as diferenças entre modelos de negócios tradicionais,
digitais e intersecções.
3. (Segue instruções). Planejar a transformação digital de uma organização por meio da
experimentação de novas ideias, revisitação de crenças básicas e transformação das regras
de negócios clássicas para o contexto exponencial.
Pensamento Analí]co de Dados

Ementa
1. Introdução ao pensamento analítico de dados (4h).
2. Problemas de negócio (6h).
3. Coleta de dados e pré-processamento (8h).
4. Análise exploratória de dados (10h).
5. Modelagem (16h).
6. Sumarização de resultados (8h).

1. (Faz sem orientação). Descrever as etapas típicas do pensamento analítico de dados.
2. (Faz com orientação). Organizar e preparar a sumarização dos resultados obtidos.
3. (Segue instruções). Coletar e organizar dados.
59
4. (Segue instruções). Reconhecer as técnicas adequadas para análise exploratória e
modelagem de dados para um dado problema
Mineração de Dados
NE 32 32 64 4o INF Sim Pensamento Analí]co de Dados
Ementa
1. Introdução à mineração de dados (4h).
2. Técnicas para análise de dados (8h).
3. Técnicas de pré-processamento de dados com limpeza, transformação, redução de
dimensionalidade e de crawling (16h).
4. Algoritmos para mineração de dados (20h).
5. Avaliação de experimentos: amostragem, ajuste de parâmetros de algoritmos, métricas de
avaliação, comparação entre modelos (8h).

1. (Faz sem orientação). Reconhecer as técnicas adequadas para análise exploratória e
modelagem de dados para um dado problema.
2. (Faz com orientação). Coletar e preparar os dados para um dado problema.
3. (Faz com orientação). Utilizar frameworks de alto nível em cada etapa da mineração de
dados.
4. (Faz com orientação). Avaliar e comparar modelos.
5. (Segue instruções). Propor e desenvolver soluções utilizando as ferramentas de mineração
de dados.
Aprendizado de Máquina Supervisionado

Ementa
1. Regressão linear e regressão Logística (4h).
2. Aprendizado Bayesiano (10h).
3. Redes neurais artificiais (conceitos básicos, perceptron, adaline, perceptron multicamadas
(backpropagation)) (10h).
4. Máquinas de vetor suporte (Support Vector Machines - SVMs) (8h).
5. Métodos para comitês de classificadores e regressores (8h).
60
6. Algoritmos baseados em árvores de decisão: Random Forest e XGBoost e derivações
(16h).
7. Aplicações e estudos de caso (8h).

1. (Faz sem orientação). Explicar os conceitos básicos das redes neurais artificiais.
2. (Faz com orientação). Realizar a parametrização e customização de algoritmos de
aprendizado de máquina supervisionados.
3. (Segue instruções). Analisar de maneira profunda a aderência de cada algoritmo de
aprendizado de máquina supervisionado para diferentes tipos de problemas.
Processamento Digital de Sinais e Imagens

Ementa
1. Introdução a sinais,captação e conversão de sinais analógicos e digitais (4h).
2. Sinais, sequências e operações discretas (8h).
3. Aquisição, formação de imagens digitais (8h).
4. Técnicas de análise no tempo e frequência (Fourier e Wavelet) (12h).
5. Morfologia matemática (8h).
6. Algoritmos para segmentação e definição de ROI (8h).
7. Processamento de cores e texturas (8h).
8. Seleção de descritores e reconhecimento (8h).

1. (Faz sem orientação). Explicar as diferentes fases do processamento digital de sinais e
imagens.
2. (Faz com orientação). Aplicar os algoritmos básicos de processamento de sinais e
imagens.
3. (Segue instruções). Modelar e implementar conjuntos de algoritmos para as diferentes
fases do processamento de sinais e imagens.
61
Heurís]ca e Modelagem Mul]obje]vo
Ementa
1. Princípios de modelagem de problemas (8h): definição do problema, identificação das
variáveis, representação.
2. Agentes e Busca (4h).
3. Busca Informada (4h).
4. Busca Adversária (4h).
5. Busca Local (8h).
6. Busca Guiada (12h).
7. Modelagem multiobjetivo (8h).
8. Estratégias de busca multiobjetivo (8h).

1. (Faz sem orientação). Descrever o que é uma heurística e uma modelagem multiobjetivo.
2. (Faz com orientação). Reconhecer e modelar um problema que demanda o uso de
heurística.
3. (Segue instruções). Criar ou realizar a customização de uma heurística, inclusive com
modelagem multiobjetivo.
Redes Neurais Profundas

NE 32 32 64 5o INF Sim Cálculo 1 A
Ementa
1. Redes neurais multicamadas (8h).
2. Arquiteturas de redes neurais convolucionais (16h).
3. Parametrização de redes profundas (16h): parâmetros versus hiperparâmetros, algoritmos
de otimização para aprendizado profundo, regularização e sintonização de
hiperparâmetros.
4. Arquiteturas recorrentes (12h): Recorrência, LSTM (Long Short Term Memory), GRU
(Gated Recurrent Unit).
5. Aplicações e estudos de caso (12h).
62
1. (Faz sem orientação). Descrever as principais arquiteturas de redes neurais profundas e
suas aplicações.
2. (Faz com orientação). Realizar a parametrização de redes neurais profundas com
arquiteturas pré-definidas.
3. (Segue instruções). Realizar a customização de arquiteturas de redes neurais profundas.
Visão Computacional
NE 32 32 64 5o INF Sim Processamento Digital de Sinais e Imagens
Ementa
1. Imagem como um sinal (8h).
2. Extração de características em imagens (12h).
3. Representação espaço-escala (8h).
4. Segmentação (8h).
5. Rastreamento em vídeo (12h).
6. Reconhecimento de objetos (12h).
7. Estudos de caso e aplicações (4h).

1. (Faz sem orientação). Descrever as etapas de uma solução de visão computacional.
2. (Faz com orientação). Implementar cada etapa de uma solução típica de visão
computacional.
3. (Segue instruções). Projetar um sistema de visão computacional.
Computação de Alto Desempenho

Ementa
1. Introdução aos sistemas computacionais de alto desempenho (4h).
2. Arquiteturas para computação de alto desempenho (8h).
3. Sistemas Operacionais (8h).
4. Medição de performance (4h).
5. Modelos de programação paralela: linguagens, compiladores, bibliotecas, sistemas de
comunicação (24h).
63
1. (Faz sem orientação). Descrever os principais componentes das arquiteturas da
Computação de Alto Desempenho.
2. (Faz com orientação). Criar e testar código envolvendo modelos de programação paralela.
3. (Segue instruções). Comparar soluções com e sem as técnicas da Computação de Alto
Desempenho.
Internet das Coisas

NE 32 32 64 6o INF Sim Redes de Computadores
Ementa
1. Arquiteturas de IoT (12h).
2. Plataformas de hardware e sensores (12h).
3. Programação e otimização de software para soluções embarcadas (16h).
4. Computação em nuvem e virtualização (8h).
5. Segurança da informação (8h).
6. Estudo de casos e aplicações (8h).

1. (Faz sem orientação). Explicar as principais arquiteturas e plataformas de suporte da IoT.
2. (Faz com orientação). Reconhecer a importância da segurança da informação e da
computação em nuvem na construção de soluções.
3. (Segue instruções). Programar soluções embarcadas.
Processamento de Linguagem Natural

NE 32 32 64 6o INF Sim Redes Neurais Profundas
Ementa
1. Conceitos básicos: corpus, anotação e estratégia de preparação e extração de
características de informações textuais (6h).
2. Etiquetagem morfossintática (6h).
3. Análise sintática de texto (6h).
4. Representações contínuas de palavras (10h).
5. Modelos de linguagem (20h).
6. Aprendizado Multi-tarefa (8h).
64
1. (Faz sem orientação). Definir os conceitos básicos e característicos do processamento de
linguagem natural.
2. (Faz com orientação). Aplicar modelos de representação típicos para o processamento de
linguagem natural .
3. (Segue instruções). Desenvolver soluções utilizando modelos de linguagem.
Aprendizado de Máquina Não Supervisionado

NE 32 32 64 6o INF Sim Aprendizado de Máquina Supervisionado
Ementa
1. Agrupamentos baseados em entropia, agrupamento espacial com base em densidade com
ruído (DBSCAN) e técnicas de análise de outliers (10h).
2. Análise de componentes principais, análise de componentes independentes, separação
cega de fontes e incorporação estocástica de vizinhos distribuídos (t-SNE) (14h).
3. Autoencoders (14h) .
4. Modelos generativos adversariais (GANs) (18h).
5. Aprendizado semi-supervisionado (8h).

1. (Faz sem orientação). Definir o que é um aprendizado não supervisionado e suas
aplicações.
2. (Faz com orientação). Definir métricas e utilizar algoritmos para problemas de
aprendizado não supervisionado.
3. (Segue instruções). Realizar a customização, implementação e parametrização de
algoritmos de aprendizado de máquina não supervisionados.
Aprendizado de Máquina por Reforço

NE 32 32 64 6o INF Sim Redes Neurais Profundas
Ementa
1. Fundamentos de aprendizado por reforço com processo de decisão markoviano (8h).
2. Ambientes de simulação de aprendizado por reforço em jogos digitais (8h).
3. Paradigmas de reforço por programação dinâmica (métodos tabulares) (4h).
4. Paradigmas baseados em amostragem (4h).
5. Aprendizado por Reforço Profundo (12h).
65
6. Policy Gradients (12h).
7. Aprendizado baseado em modelo (8h).
8. Métodos avançados de aprendizado por reforço (8h).

1. (Faz sem orientação). Explicar o aprendizado por reforço no contexto de inteligência
artificial e sua relação com outros tipos de aprendizado.
2. (Faz com orientação). Reconhecer as técnicas necessárias para a construção de uma
solução por reforço para um dado problema.
3. (Segue instruções). Criar um sistema de aprendizado por reforço para apoio à tomada de
decisão.
Processamento de Dados Massivos

NE 32 32 64 6o INF Sim Computação de Alto Desempenho
Ementa
1. Sistemas distribuídos (4h).
2. Armazenamento de dados massivos (estruturados e não estruturados) (12h).
3. Modelo de programação MapReduce e ecossistema Hadoop (16h).
4. Fluxo de dados massivos (10h).
5. Técnicas de mineração de dados massivos (14h).

1. (Faz sem orientação). Explicar os principais conceitos e desafios do processamento de
dados massivos.
2. (Faz com orientação). Empregar as técnicas e utilizar os ecossistemas atuais de suporte a
dados massivos.
3. (Segue instruções). Produzir soluções de mineração de dados aplicados a dados massivos.
Percepção e Ação Robó]ca

NE 32 32 64 7o INF Sim Visão Computacional e Heurís]cas e
Modelagem Mul]obje]vo
66
Ementa
1. Tipos de sensores para robótica (6h).
2. Percepção a partir de visão computacional (18h).
3. Calibração de câmeras e visão estereoscópica (10h).
4. Odometria visual (14h).
5. Fusão sensorial e técnicas de localização robótica (6h).
6. Localização e mapeamento simultâneo (SLAM) (24h).
7. Planejamento de rotas e navegação (18h).

1. (Faz sem orientação). Explicar os conceitos básicos envolvidos na percepção e ação
robótica.
2. (Faz com orientação). Aplicar técnicas de visão computacional em soluções robóticas.
3. (Segue instruções). Aplicar técnicas de localização e mapeamento.
4. (Segue instruções). Projetar soluções em percepção e ação de robôs.
Apoio à Tomada de Decisão

NE 32 32 64 7o INF Sim Aprendizado de Máquina Supervisionado e
Ementa
1. Introdução ao apoio à tomada de decisão (4h).
2. Análise descritiva (8h).
3. Análise diagnóstica (8h).
4. Análise preditiva (8h).
5. Análise prescritiva (8h).

1. (Faz sem orientação). Propor e combinar ferramentas e técnicas para coletar, processar e
modelar dados e visualizar informações.
2. (Faz com orientação). Reconhecer a relevância dos problemas levando em consideração
aspectos estratégicos organizacionais e de mercado.
3. (Faz com orientação). Planejar e propor soluções de apoio à tomada de decisão e
comparar a relação de custo-benefício entre soluções.
67
Processamento de Áudio e Voz
NE 32 32 64 7o INF Sim Processamento de Linguagem Natural
Ementa
1. Modelos acústicos tradicionais, misturas de gaussianas e cadeias ocultas de markov (8h).
2. Representações de sinais para áudio e voz (8h).
3. Arquiteturas de redes neurais para reconhecimento de fala (16h).
4. Modelos de encoder, vocoder e arquiteturas para sintetização de voz (24h).
5. Arquiteturas para aplicações em música (8h).

1. (Faz sem orientação). Descrever as representações da informação de áudio e voz para
aprendizado de máquina e suas aplicações.
2. (Faz com orientação). Preparar os dados e aplicar as principais técnicas envolvendo áudio
e voz.
3. (Segue instruções). Escolher arquiteturas para soluções de reconhecimento de padrões em
áudio e voz.
Pesquisa e Inovação
Ementa
1. Tipologias da inovação: industrial, em serviços, tecnológica, organizacional, aberta e
fechada (4h).
2. Sistema de inovação, políticas de ciência, tecnologia e inovação (CT&I) no Brasil e no
mundo (4h).
3. Pesquisa em acervos físicos e virtuais: títulos, base de dados, periódicos, patentes,
marcas, desenhos industriais (4h).
4. Método científico. Conceituação, tipos e metodologia de pesquisa (8h).
5. Elaboração de artigos técnico científicos, projetos de pesquisa e projetos de inovação
(12h).

1. (Faz sem orientação). Descrever o método científico e os tipos de inovação.
2. (Faz com orientação). Aplicar as etapas e ferramentas metodológicas do método
científico, tecnológico e de inovação.
3. (Faz com orientação). Prospectar oportunidades de pesquisa e inovação.
68
4. (Segue instruções). Elaborar projetos de pesquisa e inovação.
Residência em Inteligência Ar]ficial

Núcleo Carga horária Teórica Prá]ca Período (fluxo) Pré-requisito:
NE 384 0 384 8.o Percepção e Ação Robó]ca e Apoio à
Tomada de Decisão
Durante os sete primeiros semestres do curso de Bacharelado em Inteligência Artificial, o aluno

deverá vivenciar o aprendizado dos diversos paradigmas e técnicas relacionadas à Inteligência
Artificial e à Ciência de Dados. As disciplinas cursadas pelo aluno e as demais atividades do curso
lhe proporcionarão um conhecimento amplo da área e lhe fornecerão ferramentas conceituais e
tecnológicas para atuar como agente transformador, propondo soluções eficientes e até mesmo
inovadoras para os mais diversos problemas da sociedade. Com este objetivo, o trabalho
colaborativo, a proatividade, o empreendedorismo, a ética, o desejo de inovar e de construir um
mundo melhor são incentivados ao longo do curso.
Após este período, o aluno deverá participar do Programa de Residência em IA, no qual terá a
oportunidade de imersão em uma realidade em que deverá dedicar-se integralmente à solução de
um problema concreto. Ao concentrar-se integralmente em solucionar um problema complexo,
espera-se que o aluno desenvolva ainda mais suas capacidades cognitivas, seu raciocínio lógico e
criatividade, além de melhorar seu desempenho como membro de equipes técnicas ou não, através
de trabalho em grupo. Durante o Programa, o aluno passará a integrar uma das diversas equipes de
trabalho e deverá atuar, de forma proativa, colaborativa e cooperativa na construção de soluções
para problemas relevantes para a sociedade. Ao concluir o Programa, espera-se que o aluno esteja
preparado para atuar como um profissional capacitado a resolver problemas complexos, utilizando
a computação como meio.
A Residência em Inteligência Artificial é um programa que visa inserir o aluno concluinte do

curso de Bacharelado em Inteligência Artificial em projetos integradores, que incluem a solução
de problemas reais, de natureza complexa, de interesse da sociedade, sugeridos por entidades
públicas ou privadas, cuja solução proporcione a geração de valor. Este valor pode ser traduzido
na melhoria de processos ou produtos existentes, na geração de novos produtos ou processos, na
geração de startups, no empreendedorismo social, etc. Como o Programa requer uma imersão no
problema a ser resolvido, espera-se que o aluno já tenha integralizado todas as disciplinas do curso
e concluído as demais atividades extracurriculares, e possa dedicar-se integralmente a ele.
O projeto a ser realizado durante o Programa de Residência em Inteligência Artificial poderá ser
desenvolvido em parceria, envolvendo pesquisa, extensão e/ou inovação, com a sociedade. Essa
69
interação entre a academia e a sociedade é de fundamental importância para a formação plena do
Bacharel em Inteligência Artificial, uma vez que um dos objetivos fundamentais do curso é formar
profissionais empreendedores e inovadores, capazes de atuar como agentes transformadores na
sociedade. O projeto deverá ser desenvolvido em equipes, as quais serão acompanhadas por
professores e por profissionais externos, sejam da iniciativa privada ou de outras entidades
públicas. Os projetos a serem desenvolvidos deverão, preferencialmente ser projetos de “longo
prazo”, envolvendo a participação de diversos alunos ao longo do tempo. Essa continuidade é
importante para a disseminação do conhecimento adquirido pelos discentes de forma sinérgica,
compartilhando experiências adquiridas.
O Programa de Residência em Inteligência Artificial é uma disciplina que é integralizada com 384
horas de atividades nos projetos do programa. Ela é ofertada a cada semestre letivo e os docentes
atuam como preceptores, sendo estes os profissionais responsáveis pela integração teoria-prática
ao longo do programa, ensinando, supervisionando, orientando e conduzindo o aluno na prática
efetiva de sua futura profissão.
O objetivo é gerar uma oportunidade ao aluno concluinte do curso de Bacharelado em Inteligência

Artificial a experiência em todas as etapas do processo de solução de um problema real, passando
pela identificação e especificação do problema, levantamento da fundamentação teórica
necessária, identificação de soluções existentes para problemas similares/correlatos, modelagem,
construção da solução propriamente dita, além de documentação adequada de todo o processo.
Atuação como membro de uma equipe encarregada de resolver problemas reais com impacto
direto na sociedade. Por fim, espera-se a consolidação dos conhecimentos, habilidades e
competências adquiridos no curso, aplicando-os de forma prática na solução de problemas reais.
Ementa
Resolução de problemas complexos por meio da utilização do conhecimento, habilidades
e competências adquiridas no curso.
Condições mínimas (estar apto a)

1. (Faz sem orientação): Identificar se um determinado problema é passível de ser resolvido,
utilizando ferramentas computacionais, a um custo aceitável.
2. (Faz sem orientação): Estimar os custos associados à solução de um problema e o valor
que sua solução trará para a sociedade.
3. (Faz sem orientação): Construir um modelo computacional, a partir das diversas
técnicas/paradigmas aprendidos no curso para a solução de um problema real.
4. (Faz sem orientação): planejar uma estratégia para a solução de um problema real,
incluindo a organização de equipes, definição de processos e avaliação de resultados.
70
5. (Faz sem orientação): implementar uma solução computacional para um problema, a
partir de um modelo definido previamente, utilizando soluções já existentes, ou
desenvolvendo novas soluções.
6. (Faz sem orientação): fazer levantamento dos recursos necessários e disponíveis
(incluindo equipamentos e software) a serem utilizados em um projeto.
7. (Faz sem orientação): atuar, de forma proativa e empreendedora, de forma individual ou
em equipes de trabalho, seguindo a ética e pautado pelo interesse de atuar como agente
transformador da sociedade.
71
Referências
• ANDERSON, M., ANDERSON, S. L., “Machine Ethics”. Cambridge University Press.
ISBN 978-0-521-11235-2, July 2011.
• APOEMA. Apoema: Tecnologia e Inovação. Órgão complementar de pesquisa e
desenvolvimento do Instituto de Informática. Disponível em http://apoema.inf.ufg.br.
• CEPEC. RESOLUÇÃO CEPEC 1557R/2017, 01 de dezembro de 2017. Universidade
Federal de Goiás (UFG), 2017.
• CEPEC-1. RESOLUÇÃO CEPEC 1286/2014, 6 de junho de 2014. Universidade Federal
de Goiás (UFG), 2014.
• CEPEC-2. RESOLUÇÃO CEPEC 1302/2014, 11 de julho de 2014. Universidade Federal
de Goiás (UFG), 2014.
• CEPEC-3. RESOLUÇÃO CEPEC 1672/2017, 06 de outubro de 2017. Universidade
Federal de Goiás (UFG), 2017 (Resolução CEPEC 1538R).
• CEPEC-4 INSTRUÇÃO NORMATIVA CEPEC 003/2016, 27 de setembro de 2016.
Universidade Federal de Goiás (UFG), 2016.
• CNE-1. Conselho Nacional de Educação/Câmara de Educação Superior. Resolução
CNE/CES 02/2007, 2007
CNE/CES 03/2007, 2007.
• CNE-3. Conselho Nacional de Educação/Câmara de Educação Superior. Parecer
CNE/CES 136/2012, 2012.
CNE/CES 07/2018, 2018.
• COMTEC. Comunidade Tecnológica de Goiás (COMTEC). Disponível em:
http://www.comtecgo.com.br/.
• CONSUNI. RESOLUÇÃO CONSUNI 10/2008, 27/06/2008. Universidade Federal de
Goiás (UFG), 2008.
• CONSUNI. RESOLUÇÃO CONSUNI 02/2014, 24 de janeiro de 2014. Universidade
Federal de Goiás (UFG), 2014.
• FEUERSTEIN, R., FEUERSTEIN, R. S., FALIK, L., & RAND, Y. Creating and
enhancing cognitive modifiability: The Feuerstein Instrumental Enrichment Program, Part
I Theoretical and conceptual foundations, Part II, Practical applications of the Feuerstein
Instrumental Enrichment Program. ICELP Publications, 2006.
• IBGE. Portal http://www.ibge.gov.br/ consultado em 18/05/2014.
• MEC, 2016. Diretrizes Curriculares Nacionais para os cursos de graduação em
Computação. Resolução CNE/CES 005/2016. Disponível em http://portal.mec.gov.br/
72
• OECD. Education at a Glance 2012: OECD indicators, OECD Publishing, 2012, ISBN
978-92-64-17929-5.
• PMI. A guide to the project management body of knowledge (PMBOK® guide).
Newtown Square, PA: Project Management Institute, 2017
• PLS. Plano de Logística Sustentável da Universidade Federal de Goiás. Disponível em
https://sustentabilidade.prodirh.ufg.br/.
• VERUGGIO, G. "The Roboethics Roadmap". Scuola di Robotica: 2, 2007.
• WILKINSON, A. Empowerment: theory and practice. Personnel review, 27(1), 40-56,
1998.
73
Apêndice A
Reúne as bibliografias básicas e complementares das disciplinas do curso. As disciplinas estão

agrupadas em disciplinas de formação básica (obrigatórias), disciplinas de formação básica
(optativas) e disciplinas específicas de Inteligência Artificial.
A.1 - Disciplinas obrigatórias
Introdução à Programação
Bibliografia básica
• FOBERLONE, A. L. V.; EBERSPACHER, H. F. Lógica de Programação: A construção de
algoritmos e estruturas de dados. 3.a edição. São Paulo: Prentice Hall, 2005.
• ASCENCIO, A. F. G.; CAMPOS, E. A. V. Fundamentos da Programação de
Computadores. 3.a edição. Editora Pearson, 2010.
• SCHILDT, H. C Completo e Total. 3a Ed. São Paulo: Makron Books, 1996.
Bibliografia complementar
• FEOFILOFF, P. Algoritmos em Linguagem C. Editora Campus/Elsevier, 2009.
• FARRER, H. at al. Programação Estruturada de Computadores: Algoritmos Estruturados.
3.a edição. Rio de Janeiro: LTC, 1989.
• SEDGEWICK, R. Algorithms in C. 3rd ed. Reading, Mss: Addison-Wesley, 1998. ISBN
0201314525.
• SALVETTI, D. D.; BARBOSA, L. M. Algoritmos, São Paulo: Makron Books, 1998.
• CORMEN, T. H et al., Algoritmos: Teoria e Prática. 2.a edição. Rio de Janeiro: Editora
Campus, 2002.
74
Lógica Matemá]ca
Bibliografia Básica
• SOUZA, J. N. Lógica para Ciência da Computação. Editora Campus, 3.a Edição, 2015.
• SILVA, F. C.; FINGER, M.; MELO, A. C. V. Lógica para Computação. Thomson
Learning, 2006.
• HUTH, M.; RYAN, M. Lógica em Ciência da Computação: modelagem e argumentação
sobre sistemas. 2.a edição. Editora LTC, 2008.
Bibliografia Complementar
• MORTARI, C. Introdução à Lógica. São Paulo: UNESP. 2001.
• MENDELSON, E. Introduction to Mathematical Logic, Academic Press, 2000.
• ENDERTON, H. A. Mathematical Introduction to Logic. Academic Press 2000.
• SMULLYAN, R. Lógica de Primeira Ordem. São Paulo: UNESP. 2009.
• CASANOVA, M. A.; GIORNO, F. A. C.; FURTADO, A. L. Programação em Lógica e a
Linguagem PROLOG. Edgard Blucher, 1987.
Empreendedorismo
• FERRARI, R. Empreendedorismo para computação: criando negócios de tecnologia.
Elsevier, 2009.
• RIES, E. The lean startup: How today's entrepreneurs use continuous innovation to create
radically successful businesses. Crown Books, 2011.
• ROGERS, D. L. Transformação digital: repensando o seu negócio para a era digital.
Autêntica Business, 2017.
• BROWN, T. Design Thinking: uma metodologia poderosa para decretar o fim das velhas
ideias. Alta Books Editora, 2018.
• KNAPP, J.; ZERATSKY, J.; KOWITZ B. Sprint: How to solve big problems and test new
ideas in just five days. Simon and Schuster, 2016.
• HERBERT, L. Digital Transformation: Build Your Organization's Future for the
Innovation Age. Bloomsbury Publishing, 2017.
• LOREO, A. 6 competências para surfar na transformação digital. Planeta estratégia, 2019.
• CHESBROUGH, H. Open innovation: The New Imperative for Creating and Profiting
from Technology. Havard Business School Press, Boston, MA, 2003.
75
Cálculo 1A
• LEITHOLD, L. O cálculo com geometria analítica. 3 ed. V. 1. São Paulo: Harbra, 1994.
• GUIDORIZZI, H. L. Um curso de cálculo. 5 ed. V. 1. Rio de Janeiro: LTC, 2001.
• ÁVILA, G. S. S. Cálculo das funções de uma variável. 7 ed. V. 1. Rio de Janeiro: LTC,
2004.
• STEWART, J. Cálculo. 5. ed. V. 1. São Paulo: Pioneira Thomson Learning, 2006.
• FLEMMING, D. M.; GONÇALVES, M. B. Cálculo A: funções, limite, derivação e
integração. 6 ed. São Paulo: Pearson Prentice Hall, 2006.
• SWOKOWSKI, E. W. Cálculo com geometria analítica. V. 1. São Paulo: McGraw-Hill do
Brasil, 1983.
• HOFFMANN, L. D. et al., Cálculo: um curso moderno e suas aplicações. 11 ed. Rio de
Janeiro: LTC, 2015.
• SIMMONS, G. F. Cálculo com geometria analítica. V. 1. São Paulo: Pearson Education
do Brasil, 1987.
• ROGÉRIO, M. U. et al. Cálculo diferencial e integral: funções de uma variável. 2. ed.
Goiânia: UFG, 1992.
• REIS, G. L; SILVA, V. V. Geometria analítica. 2. ed. São Paulo: LTC, 1996.

• SZWARCFITER, J. L.; MARKENZON, L. Estruturas de Dados e seus Algoritmos. 2ª
edição, LTC, 1994.
• TENENBAUM, A. M.; LANGSAM, Y.; AUGENSTEIN, M. Estruturas de Dados Usando
C, São Paulo, Makron Books, 1995.
76
• CORMEN, T. H. et al., Algoritmos: Teoria e Prática. 2.ª edição, Rio de Janeiro: Editora
Campus, 2002.
• SALVETTI, D. D.; BARBOSA, L. M.; Algoritmos, Makron Books, São Paulo, 1998.
• SEDGEWICK, R. Algorithms in C++ (Parts 1-4), Addison-Wesley, 3rd Edition, 1998.
• ZIVIANI, N. Projeto de Algoritmos com implementação em Pascal e C. São Paulo:
Editora Thomson, 3.ª edição, 2010.
• ZIVIANI, N. Projeto de Algoritmos com implementação em Java e C++. São Paulo:
Editora Thomson, 2006.
Programação Orientada a Objetos

• BORATTI, I. C. Programação orientada a objetos em Java. 1.a Edição. Visual Books,
2007.
• ECKEL, B. Thinking in Java. Prentice Hall, 3.a Edição, 2002.
• DEITEL, P. J.; DEITEL, H. M. Java: como programar 6. a ed. São Paulo: Prentice Hall,
2005. 1386 p.
• BUDD, T. An Introduction to Object-Oriented Programming. Addison Wesley, 1996.
• GAMMA, E. et al. Design patterns: elements of reusable object-oriented software.
Reading: Addison Wesley, 1995.
• HORSTMANN, C. S. Core Java – Volume II – Advanced Features, Prentice Hall, 8. a
Edição, 2008.
• SANTOS, R. Introdução à Programação Orientada a Objetos com Java. Campus, 2003.
• ZEIGLER, B. P. Objects and Systems: Principled Design with Implementations in C++
and Java. Springer-Verlag New York, Inc., New York, NY, USA. 1997.
Computação e Sociedade
• FONSECA FILHO, C. História da computação: O Caminho do Pensamento e da
Tecnologia. Porto Alegre: EDIPUCRS, 2007.
• MASIERO, P. Ética em Computação. Editora da USP, 2000.
77
• VELOSO, R. Tecnologias da Informação e Comunicação: Desafios e Perspectivas. São
Paulo: Saraiva, 2011.
• CHALITA, G. Os Dez Mandamentos da Ética. Editora Nova Fronteira, 2003.
• DRUMMOND, V. Internet, Privacidade e Dados Pessoais. Editora Lumen Juris, 2003.
• KACZMARCZYK, L. C. Computers and Society: Computing for Good. Chapman &
Hall/CRC Textbooks in Computing. CRC Press, 2011.
• LUCCA, N.; FILHO, A. S. Direito & Internet. Editora Edipro, 2001.
• PAESANI, L. M. Direito de Informática. Editora Atlas, 2005.
Transformação Digital
• ROGERS, D. L. Transformação digital: repensando o seu negócio para a era digital.
Autêntica Business, 2017.
• SAMPAIO, R. Vantagem digital: Um guia prático para a transformação digital. Alta
Books Editora, 2018.
• BORGES, F. R. Transformação Digital: Um Guia Prático Para Liderar Empresas que se
Reinventam. Atlas, 2021.
Elsevier, 2009.
• HERBERT, L. Digital Transformation: Build Your Organization's Future for the
Innovation Age. Bloomsbury Publishing, 2017.
• LOREO, A. 6 competências para surfar na transformação digital. Planeta estratégia, 2019.
78
Análise e Projeto de Algoritmos
BRASSARD, G.; BRATLEY, P. Fundamentals of Algorithmics. Prentice-Hall, Inc., Upper
Saddle River, NJ, 1996. ISBN: 0-13-335068-1.
• CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C. Algoritmos: Teoria e
Prática, 3.a edição, Campus, 2012.
• PAPADIMITRIOU, C. H.; VAZIRANI, U. V.; DASGUPTA, S. Algoritmos. 2009.
McGraw-Hill Brasil. ISBN 9788577260324.
• AHO, A. V.; HOPCROFT, J. E.; ULLMAN, J. D. The Design and Analysis of Computer
Algorithms, Addison-Wesley Publishing Company, 1974. ISBN 0-201-00029-6.
• BAASE, S.; GELDER, A. V. Computer Algorithms: Introduction to Design and Analysis,
3rd Edition, Pearson, 1999.
• MAMBER, U. Introduction to Algorithms. Addison Wesley Publishing Company. 1989.
• SEDGEWICK, R.; WAYNE, K. Algorithms. 4th edition, Addison-Wesley Professional,
2011. ISBN: 978-0321573513
• SZWARCFITER, J. L.; MARKENZON, L. Estrutura de Dados e seus Algoritmos. 3. a
edição, LTC Editora, 2010. ISBN 978852161750.
79
Banco de Dados
• ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados, 6.ª ed., Pearson - Addison
Wesley, 2011.
• HEUSER, C. A. Projeto de Banco de Dados, 6.ª edição, Bookman, Porto Alegre, 2009.
• SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de Banco de Dados, 5.ª
edição, Editora Campus, Rio de Janeiro, 2006.
• CONNOLLY, T. M.; BEGG, C. E.; STRACHAN, A. D. Database systems: a practical
approach to design, implementation and management, 3rd. Edition, Addison Wesley,
2010.
• DATE, C. J. Introdução a Sistemas de Banco de Dados, tradução da 8.a edição americana,
Editora Campus, Rio de Janeiro, 2004.
• GARCIA-MOLINA, H.; ULLMAN, J. D.; WIDOM, J. D. Database Systems: The
Complete Book, 2.a edição, Prentice Hall, 2009
• RAMAKRISHNAN, R.; GEHRKE, J. Sistemas de Gerenciamento de Banco de Dados,
tradução da 3.a edição, São Paulo, McGraw-Hill, 2008.
• TEOREY, T.; LIGHTSTONE, S.; NADEAU, T. Projeto e Modelagem de Bancos de
Dados, Editora Campus, Rio de Janeiro, 2007.
80
• SZWARCFITER, J. L.; Markenzon, L. Estruturas de Dados e seus Algoritmos. 2ª edição,
LTC, 1994.
• TENENBAUM, A. M.; LANGSAM, Y.; AUGENSTEIN, M. Estruturas de Dados Usando
C, São Paulo, Makron Books, 1995.
• CORMEN, T. H. et al., Algoritmos: Teoria e Prática. 2ª edição, Rio de Janeiro: Editora
Campus, 2002.
• SALVETTI, D. D. e BARBOSA, L. M., Algoritmos, Makron Books, São Paulo, 1998.
• SEDGEWICK, R. Algorithms in C++ (Parts 1-4), 3rd edition, Addison-Wesley, 1998.
• ZIVIANI, N. Projeto de Algoritmos com implementação em Pascal e C. 3ª edição, São
Paulo: Editora Thomson, 2010.
• ZIVIANI, N. Projeto de Algoritmos com implementação em Java e C++. São Paulo:
Editora Thomson, 2006.
• MAGALHÃES, M. N. Noções de Probabilidade e Estatística. São Paulo: EDUSP, 7. a ed.,
2010.
• MEYER, P. L. Probabilidade: Aplicações à Estatística. Rio de Janeiro: LTC, 1969.
• WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probabilidade e Estatística
para Engenharia e Ciências. São Paulo: Pearson, 8.a ed., 2009.
• BUSSAB, W. O.; MORETTIN, P. A. Estatística Básica. 6.a ed. São Paulo: Saraiva, 2010.
• DANTAS, C. A. B. Probabilidade: um Curso Introdutório. 3.a ed. São Paulo: EDUSP,
2008.
• MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Prentice
Hall, 2010.
• ROSS, S. Probabilidade. Um Curso Moderno com Aplicações. 8.a ed. Porto Alegre:
Bookman, 2010.
• TRIOLA, M. F. Introdução à Estatística. 10. ed. Rio de Janeiro: LTC, 2008.
81
Pensamento Analí]co de Dados
• PROVOST, F.,; FAWCETT, T. Data Science para negócios. Tradução de Marina Boscatto,
ALTA BOOKS, 2016.
• FINCH, V., Data Analytics For Beginners: Your Ultimate Guide To Learn And Master,
Data Analysis - Get Your Business Intelligence Right And Accelerate Growth, 2017.
• SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence e Análise de Dados para
Gestão do Negócio. Bookman Editora, 2019.
• SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence, Analytics, and Data
Science: A Managerial Perspective, 4th Ed., Pearson, 2018.
• THOMPSON, J.; SHAWN R. Analytics: How to Win with Intelligence. Technics
Publications, 2017.
• ARMSTRONG, P. Dominando as tecnologias disruptivas: aprenda a compreender, avaliar
e tomar melhores decisões sobre qualquer tecnologia que possa impactar o seu negócio.
Tradução de Afonso Celso da Cunha Serra. Autêntica Business, 2019.
• SIEGEL, E. Predictive analytics: The power to predict who will click, buy, lie, or die.
John Wiley & Sons, 2013.
• ALBON, C. Machine Learning with Python Cookbook: Practical Solutions from
Preprocessing to Deep Learning. " O'Reilly Media, Inc.", 2018.
82
Arquitetura de Computadores
• BRYANT, R.; O'RALLARON, D. Computer Systems: A Programmer's Perspective, 2nd
Edition, Addison Wesley, 2010.
• STALLINGS, W. Arquitetura e Organização de Computadores, 5a. Edição, Prentice-Hall,
2002.
• TANENBAUM, A. Organização Estruturada de Computadores, Editora LTC, 2006.
• HENNESSY, J. L.; PATTERSON, D. A. Computer Architecture: A Quantitative
Approach, 4th Edition, Morgan Kaufmann, 2007.
• MONTEIRO, M. A. Introdução à Organização de Computadores. 4ª. Edição. Editora
LTC, Rio de Janeiro, 2001. ISBN: 8521612915.
• PATTERSON, D. A.; HENNESSY, J. L. Computer Organization and Design: The
Hardware/Software Interface, 3rd edition, Morgan Kaufmann, 2007.
• STALLINGS, W. Computer Organization and Architecture: Designing for Performance.
10th Edition. Prentice-Hall, Inc., Upper Saddle River, NJ, USA. 2010.
• WEBER, R. F. Fundamentos de Arquiteturas de Computadores, 2.a Edição, Editora Sagra-
Luzzatto, 2001.
Álgebra Linear
• BOLDRINI, J. L. et al. Álgebra linear. 3 ed. São Paulo: Harbra, 1996.
• KOLMAN, B.; HILL, D. R. Introdução a álgebra linear: com aplicações. Rio de Janeiro.
8 ed. LTC, 2006.
• LIPSCHUTZ, S. Álgebra linear. 4 ed. São Paulo: Makron Books, 2011.
• CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear e aplicações. 6
ed. São Paulo: Atual, 1990.
83
• APOSTOL, T. Linear Algebra: A First Course with Applications to Differential Equations,
1st ed. Wiley-Interscience, 1997.
• HOFFMAN, K.; KUNZE, R. Álgebra Linear. Polígono, São Paulo, 1971.
• HOWARD, A.; RORRES, C. Álgebra Linear com Aplicações, 8.a ed. Bookman, Porto
Alegre, Brasil, 2001.
• LIMA, E. L. Álgebra linear. 6 ed. Coleção Matemática Universitária. Rio de Janeiro:
IMPA, 2003.
• SHOKRANIAN, S. Introdução à álgebra linear. Rio de Janeiro: Ciência Moderna, 2009.
• SILVA, V. V. Álgebra linear. Goiânia: CEGRAF, 1992.
• STRANG, G. Introduction to linear algebra. 5 ed. Wellescley: Cambridge Press, 2016.
• AMARAL, F. Aprenda mineração de dados: teoria e prática. Vol. 1. Alta Books Editora,
2016.
• GOLDSCHMIDT, R.; PASSOS, E. Data mining: um guia prático. Gulf Professional
Publishing, 2005.
• FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. Inteligência
Artificial: Uma Abordagem de Aprendizado de Máquina, Ed. LTC, 2011.
• HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques, 3rd. Edition,
Morgan Kaufmann Publishers, 2011.
• WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical Machine Learning
Tools and Techniques, 3rd. Edition, Morgan Kaufmann Publishers, 2011.
• TAN, P.-N.; STEINBACH M.; KARPATNE,A.; KUMA, V. Introduction to Data Mining,
2nd Ed., Pearson, 2018.
• DEAN, J. Big Data, Data Mining, and Machine Learning: Value Creation for Business
Leaders and Practitioners, John Wiley & Sons, 2014.
84
Aprendizado de Máquina Supervisionado
• GÉRON, A. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts,
tools, and techniques to build intelligent systems. O'Reilly Media, Inc., 2017.
• RASCHKA, S. Python machine learning. Packt Publishing Ltd, 2015.
• BISHOP, C. M. Pattern recognition and machine learning. Springer Science+ Business
Media, 2006.
• SHARMA, N. Xgboost. the Extreme Gradient Boosting for Mining Applications. Grin
Verlag, 2018.
• PROVOST, F.; FAWCETT, T. Data Science para negócios. Tradução de Marina Boscatto,
2016.
• ALBON, C. Machine Learning with Python Cookbook: Practical Solutions from
Preprocessing to Deep Learning. O'Reilly Media, Inc., 2018.
• RUSSELL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach (3rd ed.).
Prentice Hall Press, Upper Saddle River, NJ, 2010.
• LECUN, Y. Generalization and network design strategies. Connectionism in perspective.
Vol. 19. Amsterdam: Elsevier, 1989.
Processamento Digital de Sinais e Imagens

• GONZALEZ, R.C.; WOODS, R.E. Digital Image Processing, Prentice Hall, 2008
• MARQUES FILHO, O.; VIEIRA NETO, H. Processamento Digital de Imagens, Rio de
Janeiro: Brasport, 1999.
• UNPINGCO, J. Python for Signal Processing. Springer International Pu, 2016.
• ALCAIN, A. Fundamentos do Processamento de Sinais de Voz e Imagem. Interciência,
2011.
• SOARES, R. V., GALLETI, L. S. Captura e Tratamento de Imagens. Senai - SP, 2017.
• DINIZ, P. S. R.; DA SILVA, E. A. B.; NETTO, S. L. Processamento Digital de Sinais-:
Projeto e Análise de Sistemas. Bookman Editora, 2014.
• DA COSTA, C. Processamento de Sinais para engenheiros: Teoria e prática. Editora
Bonecker, 2018.
85
• OPPENHEIM, A. V.; SCHAFER, R. W. Processamento em tempo discreto de sinais.
2012.
Redes de Computadores
• KUROSE, J. F.; ROSS, K. Redes de Computadores e a Internet. 6. Ed., Pearson
Education, 2013
• LAUDON, K. C.; LAUDON, J. P. Sistemas de Informação Gerenciais. 9. Ed., São Paulo:
Pearson Education, 2013.
• TANENBAUM, A. S. Computer Networks, 4. Ed., Prentice Hall, 2003.Alegre, 2009.
• LEA, P. Internet of Things for Architects: Architecting IoT solutions by implementing
sensors, communication infrastructure, edge computing, analytics, and security. Packt
Publishing Ltd, 2018.
• SINCLAIR, B.; DA SERRA, A. C. C. IoT: Como Usar a Internet Das Coisas Para
Alavancar Seus Negócios. Autêntica Business, 2018.
• DAHLMAN, E.; PARKVALL, S.; SKOLD, J. 5G NR: The next generation wireless
access technology. Academic Press, 2018.
• PENTTINEN, J. TJ. 5G Explained: Security and Deployment of Advanced Mobile
Communications. Wiley, 2019.
• BRANCO, K. R. L. C. Redes de computadores: Da teoria à prática com Netkit.GEN LTC,
2014.
Heurís]cas e Modelagem Mul]obje]vo

• STUART, R.; PETER, N. Artificial Intelligence: A Modern Approach. 3rd Ed. Prentice
Hall Press, Upper Saddle River, NJ, 2010.
• LINDEN, R. Algoritmos Genéticos. Ciência Moderna, 2012.
• KOPEC, D. Problemas Clássicos de Ciência da Computação com Python. Novatec
Editora, 2019.
• ROTHLAUF, F. Design of Modern Heuristics: Principles and Application, 1st Ed.
Springer Publishing Company, Incorporated, 2011.
86
• GOLDBARG, E. Otimização combinatória e meta-heurísticas: Algoritmos e Aplicações,
GEN LTC., 2015.
• MICHALEWICZ, Z.; FOGEL, D. B. How to solve it: modern heuristics. Springer
Science & Business Media, 2013.
• KUMAR, K.; ZINDANI, D.; DAVIM, J. P. Optimizing Engineering Problems through
Heuristic Techniques, 2019.
• BLUM, C.; RAIDL, G. R. Hybrid Metaheuristics: Powerful Tools for Optimization.
Springer, 2016.
Redes Neurais Profundas

• BENGIO, Y.; GOODFELLOW, I.; COURVILLE;A. Deep learning. Vol. 1. MIT press,
2017.
• HASSABALLAH, M. Deep Learning in Computer Vision: Principles and Applications.
CRC Press, 2020.
• SCHMIDHUBER, J. Deep learning in neural networks: An overview. Neural networks 61
(2015): 85-117.
• LECUN, Y. Generalization and network design strategies. Connectionism in perspective.
Vol. 19. Amsterdam: Elsevier, 1989.
• KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. Imagenet classification with deep
convolutional neural networks. Advances in neural information processing systems. 2012.
• STEVENS, E.; ANTIGA, L. Deep Learning with Pytorch. Manning Publications, 2020.
• PLANCHE, B.; ANDRES, E. Hands-On Computer Vision with TensorFlow 2: Leverage
deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras.
Packt Publishing, 2019.
• GALEONE, P.; Hands-On Neural Networks with TensorFlow 2.0: Understand
TensorFlow, from static graph to eager execution, and design neural networks. Packt
Publishing, 2019.
Visão Computacional
• SZELISKI, R. Computer Vision: Algorithms and Applications, Springer, 2011.
87
• Davies, E. R. Computer Vision: Principles, Algorithms, Applications, Learning, 5th
Edition, Royal Holloway, University of London, United Kingdom, 2017.
• DUDA, R. O.; HART, P.E.; STORK, D.G. Pattern Classification, 2nd Edition, Wiley-
Interscience, 2000.
• HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in Computer Vision, 2nd Ed.,
Cambridge University Press, 2004.
• BENGIO, Y.; GOODFELLOW, I.; COURVILLE, A. Deep learning. Vol. 1. MIT press,
2017.
CRC Press, 2020.
• DAVIES, E. R. Computer Vision: Principles, Algorithms, Applications, Learning, 5th
Edition, Royal Holloway, University of London, United Kingdom, 2017.
Computação de Alto Desempenho

• STERLING, T.; ANDERSON, M.; BRODOWICZ, M. High performance computing:
modern systems and practices. Morgan Kaufmann, 2017.
• KIRK, D. B.; WEN-MEI, W. H. Programming massively parallel processors: a hands-on
approach. Morgan kaufmann, 2016.
• TUOMANEN, B. Hands-On GPU Programming with Python and CUDA: Explore high-
performance parallel computing with CUDA. Packt Publishing, 2018.
• MATLOFF, N. Parallel Computing for Data Science: With Examples in R, C++ and
CUDA. Chapman and Hall/CRC, 2015.
• LESKOVEC, J.; et al. Mining of Massive Datasets. Cambridge University Press, 2020.
• TAKEFUJI, Y. GPU parallel computing for machine learning in Python: how to build a
parallel computer.
• VAIDYA, B. Hands-On GPU-Accelerated Computer Vision with OpenCV and CUDA:
Effective techniques for processing complex image data in real time using GPUs. Packt
• D'HOLLANDER, E. H.; DONGARRA, J. J.; FOSTER, I. T. eds. Transition of HPC
towards exascale computing. Vol. 24. IOS Press, 2013.
88
Internet das Coisas
• DE OLIVEIRA, S. Internet das Coisas com ESP8266, Arduino e Raspberry Pi. Novatec
Editora, 2017.
• JUNIOR, S. L. S. Internet das Coisas - Fundamentos e Aplicações em Arduino e
NodeMCU. Editora Érica, 2018.
• SINCLAIR, B.; DA SERRA, A. C. C. IoT: Como Usar a Internet Das Coisas Para
Alavancar Seus Negócios. Autêntica Business, 2018.
• JAVED, A. Criando projetos com Arduino para a Internet das Coisas: Experimentos com
aplicações do mundo real – Um guia para o entusiasta de Arduino ávido por aprender,
Novatec Editora, 2018.
• LEA, P. Internet of Things for Architects: Architecting IoT solutions by implementing
sensors, communication infrastructure, edge computing, analytics, and security. Packt
• KUROSE, J.F.; ROSS, K. Redes de Computadores e a Internet, 6a. edição. Pearson
Education, 2013.
• STALLINGS, W.; Case, T. Redes e Sistemas de Comunicação de Dados, 2a. edição,
Elsevier, 2018.
• MINTEER, A. Analytics for the Internet of Things (IoT): Intelligent analytics for your
intelligent devices, Packt Publishing, 2017.
Processamento de Linguagem Natural

• LANE, H.; et al. Natural Language Processing in Action: Understanding, analyzing, and
generating text with Python, Manning Publications, 2019.
• BOKKA, K. R.; HORA, S.; JAIN, T.; WAMBUGU, M. Deep Learning for Natural
Language Processing: Solve your natural language processing problems with smart deep
neural networks. Packt Publishing, 2019.
• EISENSTEIN, J. Introduction to Natural Language Processing (Adaptive Computation
and Machine Learning series). The MIT PRESS, 2019.
89
• GANEGEDARA, T. Natural Language Processing with TensorFlow: Teach language to
machines using Python's deep learning library. Packt Publishing, 2018.
• GOLDBERG, Y. Neural Network Methods in Natural Language Processing (Synthesis
Lectures on Human Language Technologies). Morgan & Claypool Publishers, 2017.
• GÉRON, A. Hands-on machine learning with Scikit-Learn and TensorFlow: concepts,
tools, and techniques to build intelligent systems. " O'Reilly Media, Inc.", 2017.
• STEVENS, E.; ANTIGA, L. Deep Learning with Pytorch. Manning Publications, 2020.
Aprendizado de Máquina Não Supervisionado

• JOHNSTON, B.; JONES, A.; KRUGER, C. Applied Unsupervised Learning with Python:
Discover hidden patterns and relationships in unstructured data with Python. Packt
Publishing, 2019.
• PATEL, A. A. Hands-On Unsupervised Learning Using Python. O’Reylli Media, 2019.
• FOSTER, D. Generative deep learning: teaching machines to paint, write, compose, and
play. O'Reilly Media, 2019.
• BONACCORSO, G. Hands-on unsupervised learning with Python: implement machine
learning and deep learning models using Scikit-Learn, TensorFlow, and more, 2019.
• STEVENS, E. ANTIGA, L. Deep Learning with Pytorch. Manning Publications, 2020.
• GALEONE, P. Hands-On Neural Networks with TensorFlow 2.0: Understand
Publishing, 2019.
• BISHOP, C. M. Pattern recognition and machine learning. Springer Science+ Business
Media, 2006.
90
Aprendizado de Máquina por Reforço
• SIGAUD, O.; BUFFET, E.; eds. Markov decision processes in artificial intelligence. John
Wiley & Sons, 2013.
• BEYSOLOW II, T. Applied Reinforcement Learning with Python: With OpenAI Gym,
Tensorflow, and Keras. Apress, 2019.
• LAPAN, M. Deep Reinforcement Learning Hands-On: Apply modern RL methods, with
deep Q-networks, value iteration, policy gradients, TRPO, AlphaGo Zero and more. Packt
• SAITO, S.; WENZHUO, Y.; SHANMUGAMANI, R. Python Reinforcement Learning
Projects: Eight hands-on projects exploring reinforcement learning algorithms using
TensorFlow. Packt Publishing Ltd, 2018.
• SUTTON, R. S.; BARTO, A. G. Reinforcement learning: An introduction, 2011
• SEWAK, M. Deep Reinforcement Learning: Frontiers of Artificial Intelligence. Springer,
2019.
• WEIGEL, V. B. Deep learning for a digital age: Technology's untapped potential to enrich
higher education. Jossey-Bass, 989 Market Street, San Francisco, CA 94103-1741, 2002.
• LANHAM, M. Hands-On Deep Learning for Games: Leverage the power of neural
networks and reinforcement learning to build intelligent games. Packt Publishing, 2019.
Processamento Dados Massivos

• LESKOVEC, J.; et al. Mining of Massive Datasets. Cambridge University Press, 2020.
• STERLING, T.; ANDERSON, M.; BRODOWICZ, M. High performance computing:
modern systems and practices. Morgan Kaufmann, 2017.
• ROBINSON, I.; WEBBER, J.; EIFREM, E. Graph databases: new opportunities for
connected data. " O'Reilly Media, Inc.", 2015.
• VAIDYA, B. Hands-On GPU-Accelerated Computer Vision with OpenCV and CUDA:
Effective techniques for processing complex image data in real time using GPUs. Packt
91
• TAKEFUJI, Y.. GPU parallel computing for machine learning in Python: how to build a
parallel computer, 2017.
• BENGFORT, B.; KIM, J. Data analytics with Hadoop: an introduction for data scientists.
O'Reilly Media, Inc., 2016.
• BAHGA, A.; MADISETTI, V. Big data science & analytics: A hands-on approach. VPT,
2016.
• NEEDHAM, M.; HODLER, A. E. Graph Algorithms: Practical Examples in Apache
Spark and Neo4j. O'Reilly Media, 2019.
Percepção e Ação Robó]ca

• THRUN, S.; BURGARD, W.; FOX, D. Probabilistic robotics. MIT press, 2005.
• CHOSET, H. M.; et al. Principles of robot motion: theory, algorithms, and
implementation. MIT press, 2005.
• SZELISKI, R. "Computer Vision: Algorithms and Applications", Springer, 2011.
• HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in Computer Vision, 2nd Ed.,
Cambridge University Press, 2004.
• BENGIO, Y.; GOODFELLOW, I.; COURVILLE, A. Deep learning. Vol. 1. MIT press,
2017.
CRC Press, 2020.
• DAVIES, E.R. Computer Vision: Principles, Algorithms, Applications, Learning, 5th Ed.,
Royal Holloway, University of London, United Kingdom, 2017.
Apoio à Tomada de Decisão

• SIEGEL, E. Predictive analytics: The power to predict who will click, buy, lie, or die.
John Wiley & Sons, 2013.
• PROVOST, F.; FAWCETT, T. Data Science For Business: What You Need To Know
About Data Mining And Data-Analytic Thinking, O'Reilly, 2013.
92
• KIMBALL,R.; ROSS, M. The Data Warehouse Toolkit: The Definitive Guide, 3rd Ed.,
Wiley Publishing, 2013.
• MÜLLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: A Guide
for Data Scientists, O'Reilly, 2017.
• ARMSTRONG, P. Serra, Afonso Celso Cunha. Dominando as tecnologias disruptivas:
aprenda a compreender, avaliar e tomar melhores decisões sobre qualquer tecnologia que
possa impactar o seu negócio. Autêntica Business, 2019.
• TAN, P.-N.; STEINBACH M.; KARPATNE,A.; KUMA, V. Introduction to Data Mining,
2nd Ed., Pearson, 2018.
• DEAN, J. Big Data, Data Mining, and Machine Learning: Value Creation for Business
Leaders and Practitioners, John Wiley & Sons, 2014.
Processamento de Áudio e Voz

• KAMATH, U. L.; WHITAKER, J. Deep learning for NLP and speech recognition.
Springer Nature, 2019.
• DONG, Y.; DENG, Y. Automatic speech recognition. Springer London Limited, 2016.
• MORISE, M.; YOKOMORI, F.; OZAWA, K. WORLD: a vocoder-based high-quality
speech synthesis system for real-time applications. IEICE Transactions on Information
and Systems 99.7 (2016): 1877-1884.
• CAMASTRA, F.; VINCIARELLI, A. Machine learning for audio, image and video
analysis: theory and applications. Springer, 2015.
• STEVENS, E.; Antiga, L. Deep Learning with Pytorch. Manning Publications, 2020.
• GALEONE, P. Hands-On Neural Networks with TensorFlow 2.0: Understand
Publishing, 2019.
• BOKKA, K. R.; HORA, S.; JAIN, T.; WAMBUGU, M. Deep Learning for Natural
Language Processing: Solve your natural language processing problems with smart deep
neural networks. Packt Publishing, 2019.
• EISENSTEIN, J. Introduction to Natural Language Processing (Adaptive Computation
and Machine Learning series). The MIT Press, 2019.
93
Pesquisa e Inovação
• GIL, A. C. Como elaborar projetos de pesquisa. São Paulo, v. 5, n. 61, p. 16-17, 2002.
• VOLPATO, G. Guia Prático para Redação Científica. Best Writing, 2015.
• ROCHA, E. M. INOVAÇÃO COMO ESTRATÉGIA PARA PEQUENOS E GRANDES
NEGÓCIOS: Da decisão de inovar até o lançamento de novos produtos, para empresas e
inventores autônomos. 2021.
• PMI. Um Guia do Conhecimento em Gerenciamento de Projetos (Guia PMBOK). Quinta
edição. Project Management Institute, Inc. Pennsylvania, EUA, 2013.
• TIGRE, P. Gestão da Inovação: A Economia da Tecnologia no Brasil - 2a Ed. Rio de
Janeiro: Campus, 2014.
• TIDD, J.; BESSANT, J. Gestão da Inovação: Integrando Tecnologia, Mercado e Mudança
Organizacional - 5a ed. Rio de Janeiro: Artmed, 2015.
• DE BES, F. T.; KOTLER, P. A bíblia da inovação. São Paulo: Leya, 2011.
Residência em Inteligência Ar]ficial

• ECKROTH, J. AI Blueprints: How to build and deploy AI business projects. Packt
Publishing, 2018.
• MARR, B. Data strategy: how to profit from a world of big data, analytics and the
internet of things. Kogan Page Publishers, 2017.
• DANNER, G. E. The Executive's How-To Guide to Automation: Mastering AI and
Algorithm-Driven Business. Springer, 2018.
• MARR, B. Artificial Intelligence in Practice: How 50 Successful Companies Used AI and
Machine Learning to Solve Problems. Wiley, 2019.
• THOMPSON, J.; SHAWN R. Analytics: How to Win with Intelligence. Technics
Publications, 2017.
94
• FINCH, V., Data Analytics For Beginners: Your Ultimate Guide To Learn And Master,
Data Analysis - Get Your Business Intelligence Right And Accelerate Growth, 2017.
Elsevier, 2009.
A.2 - Disciplinas opta3vas
Computação Móvel e Ubíqua

• GREENFIELD, A. Everyware: The Dawning Age of Ubiquitous Computing. 1. ed., New
Riders Publishing, 2006.
• KRUMM, J. Ubiquitous Computing Fundamentals. 1. ed., Chapman & Hall/CRC, 2009.
• NEIL, T. Padrões de Design para Aplicativos Móveis. ’ , 2012. ISBN: 978-85- 7522-319-
2.
• APPLE. Apple Developer (https://developer.apple.com), acessado em Junho de 2016.
• GARDNER, D.; GRIBSBY, J. Head First Mobile Web. O’ Reilly. 2011.
• GOOGLE. Android Developers (https://developer.android.com/), acessado em Junho de
2016.
• GUBBI, J.; BUYYA, R.; MARUSIC, S.; PALANISWAMI, M. 2013. Internet of Things
(IoT): A vision, architectural elements, and future directions. Future Gener. Comput. Syst.
29, 7 (September 2013), 1645-1660.
• WEISER, M. The computer for the 21st century. SIGMOBILE Mob. Comput. Commun.
Rev.3, 3 (July 1999), 3-11.
Desenvolvimento de Sistemas para Web

• LAUDON, K. C; LAUDON, J. P. Sistemas de informa : administrando a empresa digital.
9. e : Pearson Prentice-Hall, 2010.
• MATTOS, A. C. M. Sistemas de informação: uma visão executiva. 2. ed., São Paulo:
Saraiva, 2010.
95
• PRESSMAN, R. S. Software engineering: a practitioner's approach, 7. ed., McGraw- Hill,
2010.
• BATISTA, E. O. : o uso consciente da tecnologia para o gerenciamento. 1. ed., São Paulo:
Saraiva, 2006.
• Software Engineering Body of Knowledge (SWEBOK), Version 3.0, IEEE Computer
Society, 2014. Disponível on-line em: <http://www.computer.org/web/swebok/v3>.
• ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados, 6. ed., Pearson - Addison
Wesley, 2011.
• TIDWELL, J. Designing interfaces Beijing, Sebastopol, CA: O'Reilly, 2006.
• BAI, Y., Practical Database Programming with Java, Wiley-IEEE Press, 2011. Disponível
on-line: <http://ieeexplore.ieee.org/xpl/bkabstractplus.jsp?bkn=5988888>.
Engenharia de Sobware
• PRESSMAN, R.; w ’ 8. ed., McGraw-Hill, 2014.
• SOMMERVILLE, I. Software Engineering, Pearson, 2015.
• WAZLAWICK, R. S. Engenharia de software: teoria e prática. Campus, 2013.
• ISO/IEC/IEEE 24765, Systems and software engineering - Vocabulary, 2010, Disponível
em: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5733835.
• MAGELA, R. Engenharia de software aplicada. Alta Books, 2006.
• MPS.BR. Melhoria de Processos do Software Brasileiro. Disponível em:
http://www.softex.br/mpsbr/, último acesso Abril/2014.
• Software Engineering Body of Knowledge (SWEBOK), V3, IEEE, Disponível em:
http://www.iso.org/iso/catalogue_detail.htm?csnumber=50518.
• Software Engineering Competency Model (SWECOM), IEEE. Disponível em:
https://www.computer.org/web/peb/swecom.
Interação Humano-Computador
• DIX, A.; FINLAY, J. E.; ABOWD, G. D.; BEALE, R. Human-Computer Interaction, 3.
ed., Prentice-Hall, Inc., Upper Saddle River, NJ, USA, 2003.
96
• ROGERS, Y.; SHARP, H.; PREECE, J. Design de Interação - Além da Interação Homem-
computador. 3. ed., Porto Alegre: Bookman, 2013.
• TIDWELL, J. Designing Interfaces: Patterns for Effective Interaction Design. 2. ed.,
O’Reilly, 2011.
• BARBOSA, S. D. J.; SILVA, B. S. Interação Humano-Computador. 1. ed., Elsevier
Editora, 2010.
• JACKO, J. A. The human-computer interaction handbook: fundamentals, evolving
technologies, and emerging applications. CRC Press, 2012.
• LAZAR, J.; FENG, J. H.; HOCHHEISER, H. Research Methods in Human-Computer
Interaction. Wiley, 2009.
• MACKENZIE, I. S. Human-computer Interaction: An Empirical Research Perspective.
Morgan Kaufmann, 2013. ISBN: 978-0-1 2-405865-1
• SCOTT, B.; NEIL, T. Designing Web Interfaces: Principles and Patterns for Rich
Interactions. 1. ed., O'Reilly Media, 2009.
Introdução à Língua Brasileira de Sinais

• BRASIL. Ministério da Educação. Instituto Nacional de Educação de Surdos. Curso
básico de LIBRAS. Manaus: CD+, 2007. 1 DVD, color. (Educação de surdos, n. 6).
• GESSER, A. LIBRAS? Que língua é essa? Crenças e preconceitos em torno da língua de
sinais e da realidade surda. São Paulo: Parábola Editorial, 2009.
• SKLIAR, Carlos (Org.). A surdez: um olhar sobre as diferenças. 6. ed. Porto Alegre:
Mediação, 2012.
• CAPOVILLA, F. C.; RAPHAEL, W. D. (Ed.). Enciclopédia da Língua de Sinais
Brasileira. v. 1 e 2. São Paulo: EDUSP, 2004
• FELIPE, T.; MONTEIRO, M. S. LIBRAS em contexto. Curso Básico. Brasília:
Ministério da Educação e do Desporto/Secretaria de Educação Especial, 2001.
• PIMENTA, N.; QUADROS, R. M. Curso de LIBRAS 1 – Iniciante. 3 ed. rev. e
atualizada. Porto Alegre: Editora Pallotti, 2008.
• SACKS, Oliver. Vendo Vozes: uma viagem ao mundo dos surdos. Tradução Laura Motta.
São Paulo: Editora Cia das Letras, 1999.
97
• THOMA, Adriana da Silva; LOPES, Maura Corcini (Coautor). A invenção da surdez:
cultura, alteridade, identidade e diferenca no campo da educação. Santa Cruz do Sul, RS:
EDUNISC, 2005. 232 p. Inclui bibliografia. ISBN 8575780794 (Broch.).
Jogos Digitais
• MARTINHO, C.; SANTOS, P.; PRADA, R. Design e Desenvolvimento de Jogos; 1. ed.;
Lisboa: FCA - Editora de Informática, 2014.
• SCHELL, J. The Art of Game Design: A book of lenses. Nova Iorque: CRC Press, 2008.
• SCHUYTEMA. P. Design de Games - Uma Abordagem Prática. 1. ed. Cengage CTP,
2008.
• LIMA, A. Design de personagens para games Next-Gen. Rio de Janeiro: Ed. Ciência
Moderna, 2011.
• FEIJÓ, B.; CLUA, E.; SILVA, F. Introdução à Ciência da Computação com Jogos. Rio de
Janeiro: Ed. Campus, 2009.
• PERUCIA, A. S.; BERTHÊM, A.; BERTSCHINGER, G.; CASTRO, R. R.
Desenvolvimento de Jogos Eletrônicos – Teoria e Prática. 2. ed.; São Paulo: Ed. Novatec;
2007.
• VASCONCELOS, J. B.; RIBEIRO, N. M. Tecnologias de Programação de Jogos. 1. ed.;
Lisboa: FCA - Editora de Informática, 2013.
• HUIZINGA, J. Homo ludens – O jogo como elemento da cultura. São Paulo: Perspectiva,
1996.
Pesquisa Operacional
• BREGALDA, P. F.; OLIVEIRA, A. A. F.; BORNSTEIN, C. T. Introdução à programação
linear. 3. ed. Rio de Janeiro: Campus, 1983.
• GOLBARG, M.; LUNA, H. Otimização combinatória e programação linear. 2. ed.
Campus, 2005.
• TAHA, H. Pesquisa operacional. 8. ed. Prentice Hall, 2008.
98
• BAZARAA M. S.; JARVIS, J. J.; SHERALI, H. D. Linear programming and network
Flows. Wiley, 2009.
• HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional. 9.a edição. Amgh
Editora, 2013.
• PARLAR, M. Interactive operations research with Maple: methods and models.
Birkhauser, 2000.
• SILVA, E. M. et al. Pesquisa Operacional: programação linear, simulação. 3.a ed. Atlas,
1998.
• WINSTON, W. L. Operations research applications and algorithms. 3rd ed. Duxbury
Press, 1997.
Segurança e Auditoria de Sistemas

• IMONIANA, JOSHUA O. Auditoria de Sistemas de Informaç aõ .2.ed. São Paulo: Atlas,
2008.
• SCHMIDT, P. Fundamentos de Auditoria de Sistemas. São Paulo: Atlas, 2006.
• STALLINGS, W. Criptografia e seguranç a de redes : princípios e práticas. 4. ed. Prentice
Hal, 2008.
• LYRA, M. R. Segurança e Auditoria em Sistemas de Informação. 1. ed.Ciência Moderna.
2009.
• KIZZA, J. Computer Network Security. New York: Springer, 2005.
• KUROSE, J. F. ;ROSS, K. Redes de Computadores e a Internet. 6. ed. Pearson Education,
2013.
• TCU. Manual de Auditoria Operacional do TCU. TCU, 2010.
• TIPTO, H. F. Information Security Management Handbook. Auebach Publications, 2004.
Sistemas de Apoio à Decisão

• BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support Systems 1, Basic
Themes, Springer, 2008. Disponível on-line em:
<http://www.springer.com/br/book/9783540487128>.
99
• BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support Systems 2,
Variations, Springer, 2008. Disponível on-line em:
<http://www.springer.com/gp/book/9783540487159>.
• SHIMIZU, T. Decisão nas Organizações: Introdução aos problemas de decisão
encontrados nas organizações e nos sistemas de apoio à decisão. 3. ed., São Paulo: Atlas,
2010.
• ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para a análise
de decisões. 4a. Ed. Rio de Janeiro, LTC. 2009.
• AVERWEG, U. R. F. Decision-making support systems: Theory & practice. 1. ed. Cape
Town, South Africa. 2012 Disponível on-line em: <http://bookboon.com/en/decision-
making-support-systems-ebook>
• LACHTERMACHER, G. Pesquisa operacional na tomada de decisão 4. ed. Rio de
Janeiro: Elsevier, 2009.
• LAUDON, K. C. Sistemas de informação gerenciais 9.ed. São Paulo: Pearson Prentice
Hall, 2010.
• FÁVERO, L. P. et al. Análise de dados: Modelagem multivariada para tomada de
decisões. Rio de janeiro: Campus, 2009.
Sistemas Distribuídos
• ANDREWS, G. R. Foundations of multithreaded, parallel, and distributed programming.
Addison-Wesley, 2000.
• COULOURIS, G. F. et al. Distributed Systems: Concepts and Design, 5th edition,
Addison-Wesley, 2012.
• KUROSE, J. F.; ROSS, K. Redes de Computadores e a Internet, 6. a edição. Pearson
Education, 2013.
• BIRMAN, K. P. Reliable distributed systems: technologies, web services, and
applications, New York: Springer, 2005. ISBN 0387215093.
• CLARK, M. et al. Web services business strategies and architectures. Expert Press, 2002.
ISBN 1904284132.
• JOSUTTIS, N. M. SOA in practice. O'Reilly, 2007. ISBN 0596529554.
• LYNCH, N. A Distributed algorithms. M. Kaufmann, 1997.
100
• TANENBAUM, A.S.; STEEN, M. van. Distributed Systems: Principles and Paradigms.
Prentice Hall, 2nd Edition, 2006.
Sistemas Inteligentes de Apoio à Decisão

• BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support Systems 1, Basic
Themes, Springer, 2008. Disponível on-line em:
<http://www.springer.com/br/book/9783540487128>.
• BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support Systems 2,
Variations, Springer, 2008. Disponível on-line em:
<http://www.springer.com/gp/book/9783540487159>.
• POOLE, D.; MACKWORTH, A. Artificial Intelligence: Foundations of Computational
Agents. Cambridge University Press, 2010. Disponível on-line em:
<http://artint.info/html/ArtInt.html>
• DAUMÉ III, H. A Course in-line em: <http://ciml.info/dl/v0_8/ciml-v0_8-all.pdf>
• GAO, S. Bio-Inspired Computational Algorithms and Their Applications. INTECH, 2012.
Disponível on-line em: <http://www.intechopen.com/books/bio-inspired- computational-
algorithms-and-their-applications>
• GRIGORIE, L. Fuzzy Controllers, Theory and Applications, INTECH, 2011. Disponível
on-line em: <http://www.intechopen.com/books/tools_in_artificial_intelligence>
• LUKE, S. Essentials of Metaheuristics. Lulu, 2nd Ed. 2013. Disponível on-line em:
<http://www.sau.ac.in/~vivek/ai_new/Luke_Essentials.pdf>
• NILSSON, N. J. The Quest for Artificial Intelligence a History of Ideas and
Achievements. Cambridge University Press, 2010. Disponível on-line em:
<http://ai.stanford.edu/~nilsson/QAI/qai.pdf>
• RUSSEL, S.; NORVIG, R. Inteligência Artificial. 2 Ed., Rio de Janeiro: Campus, 2004.
• VIZUREANU, P. Tools in Artificial Intelligence, INTECH, 2008. Disponível on-line em:
<http://www.intechopen.com/books/tools_in_artificial_intelligence>
• VIZUREANU, P. Expert Systems, INTECH, 2010. Disponível on-line em:
<http://www.intechopen.com/books/expert-systems>
101
Sistemas Mul]agentes
• FIPA. Foundation for Intelligent Physical Agents, Standard Specifications, 2002.
Available on-line on <http://www.fipa.org/repository/standardspecs.html>
• RUSSELL, S.; NORVIG, P. Inteligência Artificial, 3. ed., Ed. Campus, 2013.
• WOOLDRIDGE, M. An Introduction to MultiAgent Systems, 2. ed., John Wiley and
Sons, 2009.
• BELLIFEMINE, F. et al. Jade 4.0 Programmer's Guide, 2010. Disponível on-line em
<http://jade.tilab.com/documentation/tutorials-guides/>
• BORDINI, R. H.; HÜBNER, J. Documentation for Jason, a Java-besed interpreter for an
extended version of AgentSpeak. 2006. Disponível on-line em
<http://jason.sourceforge.net/wp/documents/>
• CAIRE, G. Jade 3.7 Programming for Beginners, 2009. Disponível on-line em
<http://jade.tilab.com/documentation/tutorials-guides/>
• SHOHAM, Y.; LEYTON-BROWN, K. Multiagent Systems - Algorithmic, Game-
Theoretic, and Logical Foundations. Cambridge University Press 2008. Disponível on-
line em <http://www.masfoundations.org/mas.pdf>
• VIDAL, J.M. Fundamentals of Multiagent Systems Using NetLogo, 2010. Disponível on-
line em <http://multiagent.com/p/fundamentals-of-multiagent-systems.html>
Sistemas Operacionais
• OLIVEIRA, R. S.; CARISSIMI, A. S.; TOSCANI, S. S. Sistemas Operacionais. 3.a
edição. Porto Alegre: Instituto de Informática da UFRGS: Editora Sagra Luzzatto, 2004.
• SILBERSCHATZ, A. Fundamentos de Sistemas Operacionais, 8.a edição, LTC, 2011.
• TANEMBAUM, A. S. Sistemas Operacionais Modernos. 3.a edição. São Paulo: Editora
Prentice Hall, 2010. ISBN 9788576052371.
• DEITEL, H. Sistemas Operacionais, Prentice Hall, 2005.
• MACHADO, F. B. Arquitetura de Sistemas Operacionais. 2.a edição. LTC, 1997.
• NEMETH E.; SNYDER, G.; HEIN, T. R. Unix system administration handbook. Pearson
Prentice Hall, 1997. ISBN 9788576051121.
• O'GORMAN, J. Operating Systems with Linux. Palgrave, 2001.
102
• SHAY, W. Sistemas Operacionais, Makron Books, 1996.
Visualização de Informações
• CARD, S. K.; MACKINLAY, J. D.; SHNEIDERMAN, B. Readings in Information
Visualization: Using Vision to Think, Morgan Kaufmann Series in Interactive
Technologies, Academic Press, 1999.
• SPENCE, R. Information Visualization, ACM Press, 2000.
• WARE, C. Information Visualization: Perception for Design, 2. ed., Morgan Kaufmann
Interactive Technologies Series, 2004.
• DO NASCIMENTO, H. A. D.; FERREIRA, C. B. R. Visualização de Informações - Uma
Abordagem Prática. No Livro Texto da XXIV Jornada de Atualização em Informática.
São Leopoldo-RS, 2005.
• DI BATTISTA, G.; EADES, P.; TAMASSIA, R.; TOLLIS, I. Graph Drawing: Algorithms
for the Visualization of Graphs, Prentice Hall, 1999.
• TUFTE, E. R. Visual Explanations: Images and Quantities, Evidence and Narrative.
Graphics Press, 1997.
• TUFTE, E. R. Envisioning Information. Graphics Press, 1990.
• TUFTE, E. R. The Visual Display of Quantitative Information, 2. ed., Graphics Press,
2001.
Web Semân]ca
• BREITMAN, K. Web Semântica: a Internet do Futuro. Editora LTC, 2005.
• DUCHARME, B. Learning SPARQL. 1. ed., O ́Reilly, 2011.
• HEBELER, J.; DEAN, M.; FISHER, M. Semantic Web Programming. 2. ed., John Wiley
& Sons, 2009.
• ALLEMANG, D.; HENDLER, J. Semantic Web for the Working Ontologist - Effective
Modelling in RDFS and OWL. 1. ed., Morgan Kaufmann, 2008
• BERNERS-LEE, T.; HENDLER, J.; LASSILA, O. The Semantic Web. Scientific
American, 284(5), 28-37, 2001.
103
• BERNERS-LEE, T. Qual é o futuro da web, segundo o seu criador?. Disponível em
computerworld.uol.com.br/mercado/2007/07/09/idgnoticia.2007-07-09.9970442373/,
2007.
• FENSEL, D.; HENDLER, J.; LIEBERMAN, H.; WAHLSTER, W. Spinning the Semantic
Web. 1. ed.,The MIT Press, 2005.
• SEGARAN, T.; EVANS, C.; TAYLOR, J. Programming the Semantic Web. 1. ed.,
O'Reilly Media, 2009.
104

Bacharelado em Inteligência Ar3ficial

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

Bacharelado em Inteligência Ar3ficial

Enviado por

Direitos autorais:

Formatos disponíveis

Bacharelado em

Número de registro no e-MEC 1495673

Criação Resolução CONSUNI 15/2019 UFG

Reunião do Conselho Diretor 27/11/2019

Diretor Sérgio Teixeira de Carvalho

Vice-Diretor Vinícius Sebba PaUo

Coordenador do curso Anderson da Silva Soares

Vice-coordenador Vinícius Sebba PaUo

Coordenador de estágio Fernando Marques Federson

Coordenadora de monitoria Deborah Silva Alves Fernandes

Goiânia – Goiás – Brasil

Comissão para Elaborar Projeto Pedagógico do Curso de

Da carência de mão de obra......................................................................................................13

Da importância local do curso e dos indicadores socioeconômicos regionais........................13

IV - Expectativa da formação do profissional..............................................................................19

Estratégia da definição das disciplinas.....................................................................................21

Articulação entre Teoria e Prática Profissional........................................................................22

Um novo ambiente para uma nova geração.............................................................................23

Disciplina “Residência em Inteligência Artificial”..................................................................25

VI - Núcleo Docente Estruturante (NDE)....................................................................................25

c) Diretrizes Nacionais para Educação em Direitos Humanos................................................32

d) Educação das Relações Étnico-Raciais e para o Ensino de História e Cultura Afro-

Disciplinas de graduação obrigatórias......................................................................................32

g) Política de educação ambiental............................................................................................34

Planejamento das disciplinas....................................................................................................34

h) Proteção dos direitos da pessoa com Transtornos do Espectro Autista...............................35

i) Titulação do corpo docente...................................................................................................35

j) Diretrizes para a Extensão na Educação Superior Brasileira................................................36

XIV - Estrutura Curricular............................................................................................................37

Distribuição da carga horária....................................................................................................41

Disciplinas de formação básica (obrigatórias)..............................................................................46

Algoritmos e Estruturas de Dados 1.........................................................................................47

Programação Orientada a Objetos............................................................................................47

Análise e Projeto de Algoritmos...............................................................................................48

Algoritmos e Estruturas de Dados 2.........................................................................................48

Probabilidade e Estatística A....................................................................................................49

Desenvolvimento de Sistemas para Web..................................................................................52

Introdução à Língua Brasileira de Sinais..................................................................................54

Segurança e Auditoria de Sistemas...........................................................................................54

Sistemas de Apoio à Decisão....................................................................................................55

Sistemas Inteligentes de Apoio à Decisão................................................................................55

Disciplinas específicas do BIA (obrigatórias)..............................................................................58

Pensamento Analítico de Dados...............................................................................................60

Aprendizado de Máquina Supervisionado................................................................................61

Processamento Digital de Sinais e Imagens.............................................................................62

Heurística e Modelagem Multiobjetivo....................................................................................62

Redes Neurais Profundas..........................................................................................................63

Computação de Alto Desempenho...........................................................................................64

Internet das Coisas....................................................................................................................65

Aprendizado de Máquina Não Supervisionado........................................................................66

Aprendizado de Máquina por Reforço.....................................................................................66

Processamento de Dados Massivos..........................................................................................67

Percepção e Ação Robótica......................................................................................................67

Apoio à Tomada de Decisão.....................................................................................................68

Processamento de Áudio e Voz.................................................................................................68

Residência em Inteligência Artificial.......................................................................................69

Algoritmos e Estruturas de Dados 1.........................................................................................76

Programação Orientada a Objetos............................................................................................77

Análise e Projeto de Algoritmos...............................................................................................79

Algoritmos e Estruturas de Dados 2.........................................................................................81

Probabilidade e Estatística A....................................................................................................81

Pensamento Analítico de Dados...............................................................................................82

Aprendizado de Máquina Supervisionado................................................................................85