Ementas Disciplinas 2026
Disciplina: Advanced Topics in Computational Intelligence
Carga horária: 30h/a
Créditos: 2cr
Professor: 8 professores (DCAM)
Ementa: Adaptação de Domínio, Seleção Dinâmica de Classificadores; Transformers; Mineração de fluxos contínuos de dados; Classificação Hierárquica; Classificação multi-rótulo; Mineração de Séries Temporais. Importante: A disciplina poderá ser ministrada em língua inglesa (GCL3).
Syllabus: Domain Adaptation; Dynamic Classifier/Ensemble Selection; Transformers; Data stream mining; Hierarchical Classification; Multi-label classification; Time series mining.
Pré-requisitos: Mineração de Dados e Aprendizagem de Máquina
Importante: A disciplina será ministrada em língua inglesa.
Disciplina: Agentes de Software
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Fabrício Enembreck
Ementa: Sistemas Multiagente, princípios gerais e aplicações. Agentes autônomos e sistemas multiagente. Introdução à resolução distribuída de problemas. Cooperação, Coordenação e Negociação. Comunicação entre agentes. Arquiteturas de comunicação. Linguagens de comunicação e conteúdo. Protocolos de interação. Modelos e arquiteturas de agentes. Taxonomia de Agentes. Agentes Autônomos, reativos, deliberativos e adaptativos.
Disciplina: Aprendizagem de Máquina
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Alceu de Souza Britto Junior
Ementa: Introdução. Aprendizagem de Conceito. Aprendizagem com Árvores de Decisão. Aprendizagem Bayesiana. Aprendizagem Baseada em Instâncias. Aprendizagem de Redes Neurais. Aprendizagem Não-Supervisionada. Avaliação de Hipóteses. Tópicos Selecionados.
Disciplina: Ciência de Dados
Carga horária: 30h/a
Créditos: 2cr
Professor: Jean Paul Barddal
Ementa: Estatísticas descritiva, medidas de tendência central, curtose e assimetria. Análise de Correlações: Coeficientes de Pearson e Spearman. Análise Exploratória de Dados: análises de dados univariadas e multivariadas. Visualização Efetiva de Dados. Identificação e tratamento de valores faltantes. Identificação de outliers. Redução de dimensionalidade: Análise de Componentes Principais (PCA) e t-Stochastic Neighborhood Embedding (t-SNE).
Syllabus: Descriptive statistics, kurtosis, and assymetry. Correlation analysis. Exploratory data analysis. Effective data visualization. Missing values and imputation. Outlier analysis. Dimensionality reduction using Principal Component Analysis and t-Stochastic Neighborhood Embedding (t-SNE).
Disciplina: Da Linguagem Natural a Informação:
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Emerson Cabrera Paraíso
Ementa: Definição de Processamento de Linguagem Natural, Recuperação da Informação, Linguística Computacional. Operações básicas de processamento de textos. Expressões Regulares. Similaridade entre Textos.
Ontologia Léxica e Similaridade Semântica. Representação Vetorial de Textos. Word e Sentence Embedding. Large Language Models. Aplicações de Processamento de Linguagem Natural.
Disciplina: Estatística
Professor: Prof. Júlio Cesar Nievola
Carga Horária: 30h/a (2 créditos)
Objetivo: Os alunos deverão ser capazes de reconhecer e aplicar os principais conceitos estatísticos em situações reais.
Ementa: Conceitos de Estatística. Estatística Descritiva. Testes paramétricos usando Excel. SPSS: conceitos, descritiva e testes. Testes paramétricos e não-paramétricos sobre duas variáveis. Testes paramétricos e não-paramétricos sobre três ou mais variáveis. Correlação e regressão, simples e múltipla. Tópicos de Estatística Multivariada.
Syllabus: Concepts of Statistics. Descriptive Statistics. Parametric and non-parametric tests on two variables. Parametric and non-parametric tests on three or more variables. Correlation and regression, simple and multiple. Topics in Multivariate Statistics
Forma de Avaliação: Prova escrita e apresentação de trabalho.
Referências:
1. Estatística: teoria e aplicações – usando o microsoft excel em português. 5 ed., Levine, David M.; Berenson, Mark L.; Krehbiel, Timothy C.; Stephan David. Rio de Janeiro: LTC, 2009.
2. Statistics for business and economics. 10 ed., McClave, James; Benson, P. George; Sincich, Terry. Upper Saddle River: Pearson Education, 2008.
3. A prática da estatística empresarial: como usar dados para tomar decisões. Moore, David S.; McCabe, George P.; Duckworth, William M.; Sclove, Stanley L. Rio de Janeiro: LTC, 2006.
4. Nonparametric Statistics for Non-Statisticians – A Step-by-step Approach. Corder, G.W., and Foreman, D.I., John Wiley & Sons, Inc., Publication. 2009.
5. Sheski, D.J. Handbook of Parametric and Nonparametric Statistical Procedures. 5th Edition, Chapman and Hall/CRC. 2011.
6. Artigos Específicos que serão distribuídos durante o período.
Disciplina: Fundamentos da Interação Humano-Computador
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Leo Natan Paschoal
Ementa: Fundamentos da Interação Humano-Computador (IHC). Teoria, conceitos e modelos da IHC. Paradigmas e técnicas de interação. Métodos de projeto e avaliação em IHC. Acessibilidade. Estudos empíricos em IHC.
Course: Introduction to Human-Computer Interaction.
Syllabus: Foundations of Human-Computer Interaction (HCI). HCI theory, concepts, and models. Interaction paradigms and techniques. Methods for HCI design and evaluation. Accessibility in interactive systems. Empirical studies in HCI.
Referências/References:
1. BARBOSA, Simone Diniz Junqueira; SILVA, Bruno Santana da; SILVEIRA, Milene Selbach; GASPARINI, Isabela; DARIN, Ticianne; BARBOSA, Gabriel Diniz Junqueira. Interação humano-computador e experiência do usuário. [S.l.]: Autopublicação, 2021. e-book.
2. BENYON, David. Designing Interactive Systems: A Comprehensive Guide to HCI and Interaction Design. 2. ed. Harlow: Pearson Education, 2010.
3. LAZAR, Jonathan; FENG, Jinjuan Heidi; HOCHHEISER, Harry. Research Methods in Human-Computer Interaction. 2. ed. Cambridge: Morgan Kaufmann, 2017.
4. ROGERS, Yvonne; SHARP, Helen; PREECE, Jennifer. Interaction design: beyond human-computer interaction. 6. ed. Hoboken: Wiley, 2023.
Disciplina: Fundamentos de Algoritmos e Estrutura de Dados
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Andre Gustavo Hochuli
Ementa: Conceitos Básicos: Recorrências, Complexidade. Métodos de Ordenação, Estruturas de Dados Elementares (listas, pilhas, filas), Tabelas hash. Árvores binárias, Árvores balanceadas: AVL e Red/Black. Estruturas Avançadas: heaps, árvores digitais, árvore Patrícia Grafos. Algoritmos elementares: busca de caminhos mais curtos, fluxo em Redes, Cálculo do Fluxo Máximo, algoritmo de Ford-Fulkerson. Tópicos avançados: programação dinâmica, algoritmos gulosos, algoritmos para correspondência de cadeias, problemas NP-completos.
Syllabus: Basic Concepts: Recurrences and Complexity. Sorting Methods. Elementary Data Structures (lists, stacks, queues), Hash Tables. Binary Trees, Balanced Trees: AVL and Red-Black. Advanced Structures: Heaps, Digital Trees, Patricia Tree, Graphs. Elementary Algorithms: Shortest Path Search, Network Flow, Maximum Flow Calculation, Ford–Fulkerson Algorithm. Advanced Topics: Dynamic Programming, Greedy Algorithms, String Matching Algorithms, NP-Complete Problems.
Disciplina: Fundamentos de Big Data
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Eduardo Kugler Viegas
Ementa: Ecosistemas de Big Data, Armazenamento Distribuído, Processamento em Lote para Big Data, MapReduce, Apache Spark, Apache Spark SQL, Aprendizagem de Máquina Distribuída, Apache MLib.
Syllabus: Big Data Ecosystems, Distributed Storage, Batch Processing for Big Data, MapReduce, Apache Spark, Apache Spark SQL, Distributed Machine Learning, Apache MLib
Disciplina: Fundamentos de Engenharia de Software
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof.ª Andreia Malucelli e Sheila Reinehr
Ementa:
- Introdução à Engenharia de Software
- Modelos de Ciclo de Vida de Software
- Engenharia de Requisitos
- Especificação de Sistemas de Software usando UML
- Verificação, Validação e Teste de Software
- Gerência de Projetos de TI
- Métricas de Software
- Qualidade de Software
Disciplina: Fundamentos de IOT
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Marco Antonio Simões Teixeira
Ementa: A disciplina de Fundamentos de IoT tem como finalidade estudar os conceitos e técnicas aplicados a Internet das coisas, ou em inglês, Internet of things (IoT). Para se entender o conceito de IoT, é necessário realizar uma revisão sobre redes de comunicação e protocolos de comunicação, sendo a primeira parte da matéria. Em seguida, é estudado os dispositivos (coisas), como sensores, microcontroladores, como por exemplo a ESP32, entre outros. Por fim, será estudado como aplicar estas técnicas a um problema real, em formato de trabalho prático. Ao final, o estudante será capaz de compreender o conceito de IoT, entender as suas principais vantagens e dificuldades e implementar técnicas de software e hardware para aplicações IoT de controle e coleta de dados.
Disciplina: Fundamentos de Matemática Computacional
Carga Horária: 30hr/a
Créditos: 2cr
Professor: Vinicius Souza
Ementa: A disciplina de Fundamentos de Matemática Computacional é de natureza teórica e prática, destinada a estudantes interessados em desenvolver soluções computacionais baseadas em conceitos fundamentais da Álgebra Linear, como vetores, espaços vetoriais, transformações lineares, sistemas de equações lineares e matrizes. Durante a disciplina, o estudante identifica teorias e notações, interpreta representações algébricas e geométricas, implementa algoritmos envolvendo operações com vetores e matrizes e explora aplicações computacionais que utilizam Álgebra Linear. Ao final do curso, o estudante é capaz de compreender descrições formais de algoritmos, formalizar soluções utilizando notação matemática e aplicar conceitos de Álgebra Linear no desenvolvimento de soluções computacionais. Recomenda-se que o estudante possua conhecimentos prévios de raciocínio algorítmico.
Syllabus: The Fundamentals of Computational Mathematics course is a theoretical and practical in nature, designed for students interested in developing computational solutions based on fundamental concepts of Linear Algebra, such as vector spaces, linear transformations, systems of linear equations, and matrices. Throughout the course, students identify theories and notations, interpret algebraic and geometric representations, implement algorithms involving operations with vectors and matrices, and explore computational applications that rely on Linear Algebra. By the end of the course, students can understand formal descriptions of algorithms, formalize solutions through mathematical notation, and apply Linear Algebra concepts in the development of computational solutions. It is recommended that students have prior knowledge of algorithms.
Disciplina: Inteligência Artificial
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Edson Emílio Scalabrin.
Ementa: Fundamentos de IA: representação de estados, formulação de problemas e espaços de busca. Algoritmos de busca não informada (largura, profundidade, custo uniforme, profundidade iterativa) e heurística (Best-First, A*, admissibilidade e consistência). Grafos AND/OR e algoritmo AO*. Sistemas de produção: encadeamento progressivo (forward) e regressivo (backward), motor de inferência e noções de tratamento de incerteza. Planejamento (planning) clássico: ações, pré/pós-condições, busca no espaço de estados/planos e heurísticas. Aplicações introdutórias com mineração de processos: descoberta, verificação de conformidade e predição (matriz de transição). Aplicações introdutórias com LLMs: princípios de uso (prompting, RAG), avaliação básica.
Syllabus: Fundamentals of AI: state representation, problem formulation, and search spaces. Uninformed search algorithms (breadth-first, depth-first, uniform-cost, iterative deepening) and heuristic search (Best-First, A*, admissibility, and consistency). AND/OR graphs and the AO* algorithm. Production systems: forward and backward chaining, inference engine, and basic notions of uncertainty handling. Classical planning: actions, pre/post-conditions, search in state/plan space, and heuristics. Introductory applications with process mining: discovery, conformance checking, and prediction (transition matrix). Introductory applications with LLMs: usage principles (prompting, RAG), and basic evaluation.
Disciplina: Metodologia de Pesquisa em Computação
Carga horária: 30h/a
Créditos: 2cr
Responsável: Prof.ª Andreia Malucelli e Sheila Reinehr
Ementa: Conceitos de Pesquisa. Ética em Pesquisa. Escrita Científica. Revisão Sistemática da Literatura. Estudo de Caso. Survey. Pesquisa-Ação. Experimentação. Design Science Research.
Disciplina: Mineração de Dados
Professor: Prof. Júlio Cesar Nievola
Carga Horária: 30h/a (2 créditos)
Ementa: Introdução a data mining: objetivos e principais características. Tarefas de data mining: classificação, clustering (agrupamento), associação, descoberta de leis científicas, etc. Descoberta de regras de associação: algoritmo básico.
Syllabus: Introduction to data mining: objectives and main characteristics. Data mining tasks: classification, clustering, association, discovery of scientific laws, etc. Association rule discovery: basic algorithm.
Disciplina: Paradigmas de Linguagem de Programação
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Fabrício Enembreck / Prof. Edson Emílio Scalabrin
Ementa: Programação Lógica (fatos, regras, unificação, backtracking, resolução SLD; noções de Prolog); Programação Funcional (funções puras, imutabilidade, recursão, funções de ordem superior, avaliação estrita vs. preguiçosa; noções de Lisp). Análise de complexidade de algoritmos recursivos: modelagem por recorrências (casos-base; custos de dividir/combinar), solução por árvore de recursão, iteração/desenrolar e substituição/indução; Teorema Mestre; avaliação de tempo e espaço (profundidade da pilha) em melhor/médio/pior caso; padrões clássicos (busca binária, merge sort, quicksort, Fibonacci, Torres de Hanói) e contraste entre análise assintótica e evidências empíricas.
Syllabus: Logic Programming (facts, rules, unification, backtracking, SLD resolution; basics of Prolog); Functional Programming (pure functions, immutability, recursion, higher-order functions, strict vs. lazy evaluation; basics of Lisp). Analysis of recursive algorithm complexity: recurrence modeling (base cases; divide/combine costs), solving by recursion trees, iteration/unrolling, and substitution/induction; Master Theorem; evaluation of time and space (stack depth) in best/average/worst case; classical patterns (binary search, merge sort, quicksort, Fibonacci, Towers of Hanoi) and contrast between asymptotic analysis and empirical evidence.
Disciplina: Qualidade de Software
Carga horária: 30h/a
Créditos: 2cr
Responsável: Prof.ª Andreia Malucelli e Sheila Reinehr
Ementa: Qualidade de Produto de Software. Qualidade de Processo de Software. Qualidade de Serviços de TI. Modelos e Normas Nacionais e Internacionais de Qualidade. Pesquisa quanti e qualitativa em Qualidade de Software.
Disciplina: Redes de Comunicação Sem Fio
Carga Horária: 30hr/a
Créditos: 2cr
Professor: Prof. Marcelo Eduardo Pellenz
Ementa: Introdução as Comunicações Sem Fio, Modelos de Propagação de Pequena e de Larga Escala, Limites Teóricos para a Capacidade de Canal, Esquemas de Transmissão Digital e Métricas de Desempenho, Técnicas de Diversidade e Estratégias de Múltiplo Acesso, Capacidade de Transmissão das Redes Sem Fio, Tecnologias, Protocolos e Aplicações Emergentes na Área de Comunicação Sem Fio: Internet das Coisas (IoT), Smart Grids, Smart Cities, Redes de Sensores Sem Fio e Sistemas 4G/5G.
Disciplina: Segurança de Sistemas Computacionais
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Altair O. Santin.
Ementa: Cenários de (in)segurança, Fundamentos de Segurança Computacional: Propriedades, Políticas, Violações; Modelos, Serviços e Mecanismos de Autenticação e Controle de Acesso; Controles Criptográficos: Sistemas Criptográficos, Assinatura digital, Gerência de chaves, PKI (Public Key Infrastructure). Segurança em Sistemas Distribuídos: Autenticação, Autorização, Controle de Acesso, Políticas. Estudo de Casos - tecnologias de segurança de sistemas computacionais.
Visão Computacional e Aprendizagem Profunda
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Rayson Laroca
Ementa: Introdução à visão computacional (aplicações e definições básicas); Filtragem de imagens e morfologia matemática; Extração de características e classificação de imagens; Aprendizado profundo e redes neurais convolucionais; Treinamento de modelos profundos (overfitting, ajuste de hiperparâmetros, funções de perda, regularização, data augmentation, transfer learning e fine-tuning); Detecção e segmentação de objetos; e IA generativa.
Syllabus: Introduction to computer vision (applications and basic definitions); image filtering and mathematical morphology; feature extraction and image classification; deep learning and convolutional neural networks; training of deep models (overfitting, hyperparameter tuning, loss functions, regularization, data augmentation, transfer learning, and fine-tuning); object detection and segmentation; and generative AI.
Disciplina: Sistemas Robóticos Inteligentes
Carga horária: 30h/a
Créditos: 2cr
Professor: Prof. Marco Antonio Simões Teixeira
Ementa: Introdução a sistemas robóticos e seus tipos - terrestres, aquáticos e submarinos. Simuladores 3D; Fontes de percepção - sensores utilizados em sistemas robóticos. Controle - tradicionais e modernos. Técnicas de localização, mapeamento e navegação.