EA099 - Tópicos em Engenharia de Computação
Turma: P -
Período: 2/2026 -
Tipo Período: 2o. semestre -
Disciplina:
Eletiva 4 créditos.
-
Idioma: Português
Acompanha Pós:
IA376
- Tópicos em Engenharia de Computação VII
Tema: Análise Visual em Ciência de Dados
Ementa: Tema: Análise Visual em Ciência de Dados. Percepção visual, cognição e princípios de design. Gramática de gráficos e comunicação visual. Aquisição, organização e preparação de dados. Estatística descritiva e análise exploratória de dados. Fundamentos de inferência estatística e representação visual de padrões, relações, incertezas e informações analíticas. Modelagem preditiva e aprendizado de máquina. Diagnóstico e interpretação visual de modelos. Desenvolvimento de estudos e projetos em análise visual de dados.
Conteúdo Programático: 1. Percepção visual, cognição e design de visualização • Percepção visual e processamento cognitivo • Teoria da Gestalt aplicada à visualização • Princípios de design e mapeamento visual de dados • Referências clássicas: Tufte, Ware, Schneiderman 2. Gramática de gráficos, construção visua e comunicação visuall • Gramática estatística e em camadas • Criação de gráficos expressivos e consistentes • Comunicação visual 3. Aquisição e preparação de dados • Fontes, integração e organização de dados • Limpeza e pré-processamento (data wrangling conceitual) 4. Estatística descritiva e análise exploratória de dados (EDA) • Resumos estatísticos e gráficos de distribuição • Comparação, associação e similaridade • Formulação de hipóteses exploratórias • Estratégias de exploração visual e interatividade conceitual 5. Inferência estatística e visualização de incerteza • Estimativas pontuais e intervalares • Reamostragem (bootstrap e permutação) • Teste de hipóteses e validação visual • Estimativa de associações (regressão) • Comunicação visual da variabilidade e incerteza 6. Modelagem preditiva e fundamentos aprendizado de máquina • Ajuste e avaliação de modelos estatísticos (regressão) • Diagnóstico visual de modelos • Interpretação conceitual de modelos preditivos 7. Estudos e projetos em análise visual de dados. • Projetos e estudos de caso em análise visual de dados • Integração das técnicas aprendidas em aplicações reais • Desenvolvimento de soluções visuais centradas em dados
Plano de Desenvolvimento:
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. 2a. ed. Chapman and Hall/CRC, 2024. ISBN: 978-1032116556 2. Rafael A. Irizarry. Introduction to Data Science: Data Analysis and Prediction Algorithms with R. 1a. ed. Chapman and Hall/CRC, 2019. ISBN: 978-0367357986 3. Chester Ismay e Albert Y. Kim. Statistical Inference via Data Science - A ModernDive into R and the Tidyverse. 1a. ed. Chapman and Hall/CRC, 2019. ISBN: 978-0367409876 4. Wes McKinney. Python for Data Analysis (3e). 3a. ed. O'Reilly Media, 2022. ISBN: 978-1098104030 5. Notas de aula.
Critério de Avaliação: 3 atividades relacionadas com a exploração visual de dados, desde a preparação e organização dos dados até a descoberta de insights, com escolha livre do conjunto de dados pel@ alun@ (60%) e 1 projeto final de aprendizado de máquina (40%). Obs.: Uso de laptop com R+RStudio, ou Python+Jupyter, instalados em aulas.
Bibliografia complementar: n/a
