Acompanha Pós: IA376 - Tópicos em Engenharia de Computação VII

Tema: Análise Visual em Ciência de Dados

Ementa: R e Python - gramática de gráficos; interface para análise de dados visual; percepção visual e cognição; estatística descritiva; preparação de dados (data wrangling); probabilidade; estatística de inferência; modelagem de dados; atividades práticas de análise de dados visual.

Conteúdo Programático: Introdução à percepção visual e cognição - Psicofísica Visual - Teoria da Gestalt - Processamento visual Princípios de design de visualização - Schneiderman, Ware, Tufte - Mapeamento visual de dados Gramática de gráficos - Gramática estatística - Gramática em camadas Importação e pré-processamento de dados - Fontes dos dados - Data wrangling Visualização estatística descritiva - Gráficos de resumo e distribuição - Gráficos de similaridade e clusterização - Gráficos de correlações e comparações Análise Exploratória de Dados (EDA) com visualização - Objetivos e papel da EDA no processo analítico - Estratégias visuais para exploração de dados - Interatividade básica para exploração visual Visualização de inferência estatística - Revisão de inferência clássica - Estimativas pontuais e intervalares - Inferência via reamostragem: bootstrap - Visualização de incerteza e variabilidade Visualização de dados temporais e espaciais Modelagem de dados e diagnóstico visual - Ajuste de modelos - Validação visual das suposições do modelo - Detecção de valores atípicos e pontos influentes Projetos e estudos de caso em análise visual

Plano de Desenvolvimento: n/a

---

Conforme IN CCG nº 02/2025 - Cláusula de Honestidade e Lisura Acadêmica

Todas as atividades relacionadas às disciplinas devem ser realizadas em conformidade com as orientações fornecidas pelos docentes e com o devido rigor ético.

Caso o(a) docente responsável, no exercício de sua liberdade de cátedra, forme convicção acerca da ausência de lisura ou de condições adequadas para a realização da atividade avaliativa, poderá atribuir nota zero, seja para a atividade única ou, conforme o caso, para o conjunto de atividades do semestre. A ocorrência deverá ser fundamentada e comunicada à Coordenação de Curso de Graduação, podendo o(a) estudante estar sujeito a processo administrativo.

Bibliografia: (1) Rafael A. Irizarry. Introduction to Data Science: Data Wrangling and Visualization with R. Data Science Series. CRC Press. (https://rafalab.dfci.harvard.edu/dsbook-part-1/) (2) Rafael A. Irizarry. Introduction to Data Science: Statistics and Prediction Algorithms Through Case Studies. Data Science Series. CRC Press (https://rafalab.dfci.harvard.edu/dsbook-part-2/) (3) Chester Ismay and Albert Y. Kim. Statistical Inference via Data Science: A ModernDive into R and the Tidyverse. CRC Press. 2020. (4) Wes McKinney. Python for Data Analysis (3rd Edition). https://wesmckinney.com/book. (5) Colin Ware. Information Visualization: Perception for Design. 3rd. ed. Morgan Kaufmann. 2013. (6) Textos de fontes diversas.

Critério de Avaliação: Exercícios práticos (30%), 1 atividade com dados à escolha do aluno (30%) e 1 projeto final de tema livre (40%). Obs.: Uso de laptop com R+RStudio, ou Python+Jupyter, instalados em aulas.

Bibliografia complementar: n/a