Introdução a Banco de Dados (não explícito no edital, mas ajuda a entender as aulas seguintes)
Modelagem Conceitual (não explícito no edital, mas ajuda a entender as aulas seguintes)
1. Bancos de dados relacionais.
1.1.3 SQL (Procedural Language/Structured Query Language).
3. Tratamento de dados. Normalização numérica. Discretização. Tratamento de dados ausentes. Tratamento de outliers e agregações.
3. Técnicas para detecção de problemas e otimização de desempenho do SGBD e de consultas SQL.
1. Modelagem de Processos de Negócio. 1.1 Conceitos básicos. 1.2 Identificação e delimitação de processos de negócio. 1.3 Técnicas de mapeamento de processos (modelos AS-IS). 1.4 Técnicas de análise e simulação de processos. 1.5 Construção e mensuração de indicadores de processos. 1.6 Técnicas de modelagem de processos (modelos TO-BE).
1.7. Modelagem de processos BPMN: notação, artefatos e atividades
4. Arquitetura e aplicações de data warehousing. 5. Governança de dados. 5.1 Conceito e noção básica. 5.2 Arquitetura de Dados. 5.3 Qualidade de Dados. 5.4 Metadados
Mineração de Dados (não explícito no edital, mas ajuda a entender as aulas seguintes)
2. Big Data. Fundamentos. Tipos de dados: estruturados, semiestruturados e não estruturados. Conceito dos cinco Vs. Fluxo de big data: ingestão, processamento e disponibilização. Armazenamento de big data. Pipeline de dados. Processamento distribuído. Conceito de data lake. ETL X ELT. Soluções de big data. Arquiteturas de big data. 2. Banco de dados NoSQL (Key/Value, Orientados a Documentos e Grafos).
4. Ingestão de dados. Conceito de ingestão de dados. Ingestão de dados estruturados, semiestruturados e não estruturados. Ingestão de dados em lote (batch). Ingestão de dados em streaming. Ingestão de dados full × incremental. Ingestão de dados CDC (change data capture).
5. Processamento de dados. Conceitos de processamento massivo e paralelo. Processamento em lote (batch). Processamento em tempo real (real time). Processamento MapReduce.
1.1 Sistemas gerenciadores de banco de dados: Oracle
1. Aprendizado de máquina: técnicas de classificação. Técnicas de regressão. Técnicas de agrupamento. Técnicas de redução de dimensionalidade. Técnicas de associação. Sistemas de recomendação. (Parte 1)
1. Aprendizado de máquina: técnicas de classificação. Técnicas de regressão. Técnicas de agrupamento. Técnicas de redução de dimensionalidade. Técnicas de associação. Sistemas de recomendação. (Parte 2)
1. Visão computacional. Deep learning.
1. Processamento de linguagem natural (PLN).
6. Pandas. Scikitlearn. TensorFlow. PyTorch. Keras. NLTK.
6. Linguagem de programação R.
