Resumo do Componente Curricular

Dados Gerais do Componente Curricular

Tipo do Componente Curricular:	DISCIPLINA
Tipo de Disciplina:	REGULAR
Forma de Participação:	DISCIPLINA REGULAR
Unidade Responsável:	PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE MATERIAIS (11.01.06.47)
Código:	CEM-301G
Nome:	TÓPICOS ESPECIAIS EM CIÊNCIA E ENGENHARIA DE MATERIAIS I: CIÊNCIA DE DADOS E IA PARA MATERIAIS
Carga Horária Teórica:	48 h.
Carga Horária Prática:	0 h.
Carga Horária Estudo Individual:	96 h.
Carga Horária Dedicada do Docente:	0 h.
Carga Horária Total:	144 h.
Pré-Requisitos:
Co-Requisitos:
Equivalências:
Excluir da Avaliação Institucional:	Não
Matriculável On-Line:	Sim
Horário Flexível da Turma:	Não
Horário Flexível do Docente:	Sim
Obrigatoriedade de Nota Final:	Sim
Pode Criar Turma Sem Solicitação:	Não
Necessita de Orientador:	Não
Exige Horário:	Sim
Permite CH Compartilhada:	Não
Permite Múltiplas Aprovações:	Não
Quantidade de Avaliações:	3
Ementa/Descrição:	[1] Revisão de estatística, álgebra linear e programação. [2] Visualização de dados. [3] Princípios de informática de materiais, high throughput e mineração de dados. [4] Aprendizado de Máquina: aprendizagem supervisionada, não supervisionada, semi-supervisionada e por reforço; algoritmos. [5] Aprendizado profundo e redes neurais artificiais. [6] Introdução à Visão Computacional e ao Processamento de Linguagem Natural.
Referências:	Bibliografia básica: [1] Sandfeld, Stefan. Materials Data Science. 1a edição. Springer Nature Switzerland AG. DOI: 10.1007/978-3-031-46565-9. [2] Gareth, James; Witten, Daniela; Hastie, Trevor; Tibishirani, Robert; Taylor, Jonathan. An Introduction to Statistical Learning with Python. 1a edição. Springer Nature Switzerland AG. DOI: 10.1007/978-3-031-38747-0. [3] LOOKMAN T., Eidenbenz S., Alexander, F., Barnes, C.. Materials Discovery and Design - By Means of Data Science and Optimal Learning. Springer, 2018. [4] CARVALHO, A., Almeira, T., Gama, J., Lorena, A. Faceli, K. Inteligência Artificial - Uma Abordagem de Aprendizado de Máquina. LTC, 2021. | Bibliografia complementar: [1] RAJAN, K. Informatics for Materials Science and Engineering: Data-Driven Discovery for Accelerated Experimentation and Application. ELSEVIER, 2013. [2] GOODFELLOW, I. Bengio, Y., e Courville, A. Deep Learning, The MIT Press, 2018. [3] GÉRON, Aurélien. Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow. Edição 2ª. O’Reilly, 2019. [4] NORVIG, Peter, RUSSEL, Stuart. Inteligência Artificial. Edição 3ª. GEN LTC, 2013.

SIGAA | UFABC - Superintendência de Tecnologia da Informação - ||||| | Copyright © 2006-2026 - UFRN - sigaa-1.ufabc.int.br.sigaa-1-prod v4.18.3