CURSO DE

GRADUAÇÃO EM
CIÊNCIA DE DADOS
APLICADA

Projeto Pedagógico
2025
 INFORMAÇÕES INSTITUCIONAIS

UNIVERSIDADE FEDERAL DE ITAJUBÁ

Campus Sede Itajubá

REITOR

Prof. Dr. Marcel Fernando da Costa Parentoni

e-mail: reitoria@[Link]

Telefone: (35) 3629-1108

VICE-REITORA

Profa. Dra. Janaina Roberta dos Santos

e-mail: vicereitor@[Link]

Telefone: (35) 3629-1107

PRÓ-REITOR DE GRADUAÇÃO

Prof. Dr. Rodrigo Silva Lima

e-mail: prg@[Link]

Telefone: (35) 3629-1107

PRÓ-REITORA DE PÓS-GRADUAÇÃO

Profa. Dra. Vanessa Silveira Barreto Carvalho

e-mail: prppg@[Link]

Telefone: (35) 3629-1118

DIRETOR DO IEPG

Prof. Dr. Renato da Silva Lima

e-mail: [Link]@[Link]

Telefone: (35) 3629-1296

GRUPO DE TRABALHO

Prof. Dr. Anderson Paulo de Paiva

Prof. Dr. Carlos Eduardo Sanches da Silva

Prof. Dr. Carlos Henrique Pereira Mello

Profa. Dra. Juliana Helena Daroz Gaudencio

Prof. Dr. Matheus Brendon Francisco

Prof. Dr. Joao Luiz Junho Pereira

Prof. Dr. Victor Eduardo de Mello Valerio

SUMÁRIO

PROJETO PEDAGÓGICO DO CURSO

1 INTRODUÇÃO 1

1.1 Histórico de Criação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 ESTRUTURA ADMINISTRATIVA 4

3 JUSTIFICATIVA DO CURSO 5

4 OBJETIVOS DO CURSO 7

4.1 Missão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

4.2 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

4.3 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

5 PERFIL DO INGRESSANTE 9

6 NÚCLEO DOCENTE ESTRUTURANTE 10

7 COLEGIADO DO CURSO 11

8 COORDENADOR DO CURSO 12

9 PERFIL DO EGRESSO 13

9.1 Competências Técnicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

9.2 Competências Analíticas e Cognitivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

9.3 Competências Sociais, Éticas e Profissionais . . . . . . . . . . . . . . . . . . . . . . . . . . 13

9.4 Áreas de Atuação do Egresso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

9.5 Síntese do Perfil Profissional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

10 POLÍTICAS INSTITUCIONAIS 15

10.1 Política de ensino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

10.2 Programa de atendimento ao corpo discente . . . . . . . . . . . . . . . . . . . . . . . . . . 15

10.3 Políticas e ações de acompanhamento dos egressos . . . . . . . . . . . . . . . . . . . . . . 15

10.4 Comunicação da UNIFEI com a comunidade interna e externa . . . . . . . . . . . . . . . 16

 SUMÁRIO

11 REQUISITOS LEGAIS 17

11.1 Condições de Acesso para Pessoas com Deficiência e/ou Mobilidade Reduzida . . . . . . . 17

11.2 Disciplina Optativa de Libras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

12 LEGISLAÇÃO ESPECÍFICA 19

13 FUNDAMENTOS DIÁTICO-PEDAGÓGICOS 20

13.1 Princípios didáticos-metodológicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

13.2 Estratégias de aprendizagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

13.2.1 Acessibilidade Metodológica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

13.2.2 Autonomia Discente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

14 SISTEMA DE AVALIAÇÃO 24

14.1 Avaliação do discente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

14.2 Avaliação externa à universidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

14.3 Avaliação interna à universidade e do docente . . . . . . . . . . . . . . . . . . . . . . . . . 26

15 ALINHAMENTO AO PDI 28

16 RECURSOS 30

16.1 Corpo docente e técnico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

16.2 Apoio pedagógico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

16.3 Apoio aos discentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

16.4 Cooperações e parcerias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

17 ESTRUTURA CURRICULAR 32

17.1 Projeto Integrador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

17.2 Trabalho de Conclusão de Curso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

17.3 Atividades de extensão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

17.4 Trilhas de Aprendizagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

17.5 EMENTÁRIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

17.5.1 Disciplinas Obrigatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

17.5.2 Disciplinas Optativas das Trilhas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

17.5.3 Disciplinas Optativas Gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

1

INTRODUÇÃO

A UNIFEI, com sede na cidade de Itajubá, sul de Minas Gerais, foi fundada em 23 de novembro de 1913,
sendo a décima escola de Engenharia a se instalar no país. Em 2013 comemorou 100 anos de história com
mais de 30 cursos de graduação, 26 de pós-graduação, cerca de 8.500 alunos e uma forte ligação com o
universo da ciência, tecnologia, inovação e empreendedorismo.

Com um histórico em desenvolvimento de ferramentas educacionais, a UNIFEI vai além de,

simplesmente, incentivar e inspirar os alunos, mas, na oferta permanente e constante do acesso às fer-
ramentas necessárias para o avanço e necessidade da humanidade. O Bacharelado em Ciência de Dados
Aplicada, ofertado pelo Instituto de Engenharia de Produção e Gestão (IEPG), nasce em um contexto
global marcado pela crescente centralidade dos dados como insumo estratégico para a tomada de decisão,
modelagem de cenários, automação inteligente e inovação em praticamente todos os setores da economia.

A ciência de dados consolidou-se como um campo interdisciplinar que integra estatística, com-
putação, gestão, métodos quantitativos e conhecimento setorial, permitindo transformar grandes volumes
de dados em informações relevantes, modelos preditivos e soluções aplicadas. A UNIFEI, instituição de
excelência em engenharia e tecnologia há mais de um século, possui um ecossistema acadêmico e científico
especialmente favorável ao desenvolvimento de um curso desse tipo. Os laboratórios institucionais, os
centros de inovação, as parcerias estratégicas com indústria, governo e setor de serviços, além do am-
biente empreendedor consolidado na cidade de Itajubá, oferecem as condições ideais para formação de
profissionais altamente qualificados.

O curso foi concebido para atender às demandas contemporâneas de diversos setores — como
saúde, energia, esportes, finanças, petróleo e gás, manufatura avançada, agricultura e setor público —
que enfrentam desafios complexos e crescentes relacionados à análise de dados, inteligência artificial,
governança e segurança informacional. A proposta de Ciência de Dados Aplicada diferencia-se ao enfatizar
a aplicação prática dos métodos e tecnologias de dados em problemas reais enfrentados pelas organizações,
com foco no impacto social, econômico e tecnológico.

O curso também se alinha às Diretrizes Curriculares Nacionais da área de Computação e às

políticas institucionais da UNIFEI, incluindo o Plano de Desenvolvimento Institucional (PDI), que destaca
a relevância estratégica das áreas de tecnologia da informação, inovação e transformação digital.

Dessa forma, o Bacharelado em Ciência de Dados Aplicada busca formar profissionais capazes
de atuar em todo o ciclo de vida dos dados — desde a coleta, organização, limpeza e exploração, até o
desenvolvimento de modelos preditivos, soluções inteligentes e análises interpretáveis. A formação ancora-
se em sólidos fundamentos estatísticos, computacionais e metodológicos, integrados a competências de
comunicação, ética, governança e visão sistêmica.

Alguns resultados importantes já foram alcançados pela instituição em relação à Inteligência

Artificial. Em 2021, a UNIFEI firmou um convênio com o ICTP-Trieste, um instituto de pesquisa
italiano, para desenvolvimento da Tiny Machine Learning, uma ferramenta de aprendizado de máquina
para sistemas embarcados. A instituição também tem sido pioneira no desenvolvimento de algoritmos

1
2 1. INTRODUÇÃO

com vários registros de softwares no INPI desenvolvidos por grupos de pesquisas. Um deles foi o primeiro
algoritmo de Inteligência Artificial para otimização multi-objetivo do Brasil e resultou no prêmio CAPES
de Teses em 2023.

Algumas características do curso de Ciência de Dados Aplicada merecem ser destacadas, pois a
proposta tem como objetivo formar um profissional capaz de integrar engenharia, dados, automação e
inteligência artificial em soluções reais de alto impacto, articulando competências técnicas, analíticas e
empreendedoras.

Uma das principais inovações do curso será o incentivo à adoção sistemática de projetos inte-
gradores que utilizam dados e problemas reais. Esses projetos permitem que os estudantes construam
pipelines de dados reprodutíveis, executem experimentos de machine learning com rastreabilidade, inte-
grem soluções com sistemas OT/IT, desenvolvam interfaces operacionais e apresentem resultados técnicos
e de negócio com métricas claras.

Além de seu caráter aplicado, tais projetos têm natureza extensionista, articulando-se diretamente
com demandas de organizações, instituições públicas, empresas locais e desafios regionais. Dessa forma, o
curso reforça seu compromisso com o impacto regional, contribuindo para o desenvolvimento de soluções
reais e socialmente relevantes. Os projetos integradores também se conectam às trilhas temáticas —
Saúde, Esporte e Gestão — permitindo que os estudantes apliquem conhecimentos técnicos em contextos
concretos desses setores, favorecendo uma aprendizagem orientada por problemas e desafios reais.

As trilhas, por sua vez, constituem outro diferencial importante do curso. Elas ampliam a
autonomia do estudante, permitindo que personalize sua trajetória acadêmica e se especialize em áreas
estratégicas de aplicação da ciência de dados. Ao alinhar conteúdos técnicos a setores específicos, as
trilhas fortalecem a interdisciplinaridade, aproximam o aluno de temas contemporâneos e ampliam sua
capacidade de atuação em diferentes mercados. Trata-se de um componente estrutural que diferencia o
curso pela combinação entre rigor técnico, contextualização prática e relevância social.

1.1 Histórico de Criação

O Bacharelado em Ciência de Dados Aplicada começou a ser planejado no primeiro semestre de 2023 com
a criação da trilha de Machine Learning em Engenharia de Produção. Tendo convergência entre o PDI
da UNIFEI (inovação curricular, integração graduação–pós e foco em Indústria 4.0) e a maturidade do
Programa de Pós-Graduação em Engenharia de Produção (PPGEP - Conceito CAPES 5), especialmente
na linha “Modelagem, Otimização e Controle”. Diante da conversão das expertises dos resultados das
pesquisas do programa de pós-graduação em engenharia de produção, apoiada pela infraestrutura do
NOMATI.

Assim a criação do curso de Ciência de Dados Aplicada responde à convergência de quatro

vetores: (i) adoção acelerada de tecnologias 4.0 (IA/ML, automação avançada, sistemas ciberfísicos, IoT,
analytics em nuvem e DevOps) como base da competitividade; (ii) forte demanda de mercado e escassez
de profissionais com competências integradas em dados, software, processos e gestão da mudança (WEF
2023); (iii) oportunidade institucional de diferenciar a graduação, reverter evasão e elevar empregabilidade
por meio de uma formação orientada a projetos reais; e (iv) capacidade instalada na UNIFEI/PPGEP e
no NOMATI (pesquisa aplicada, laboratórios e docência) que permite escalar iniciativas existentes (como
a trilha de ML) para uma matriz abrangente que integra IA aplicada, automação e engenharia de dados
aos conhecimentos técnicos da engenharia de produção e além.
1.1. HISTÓRICO DE CRIAÇÃO 3

Assim, o curso alinha-se ao PDI, atende às exigências industriais por transformação digital end-
to-end e consolida a UNIFEI como referência nacional na formação para a Indústria 4.0.

O Bacharelado em Ciência de Dados Aplicada ainda não foi aprovado pelo Conselho Universitário
da UNIFEI.
2

ESTRUTURA ADMINISTRATIVA

O Bacharel em Ciência de Dados Aplicada, do Campus de Itajubá da UNIFEI, que será responsável pela
gestão dos recursos humanos alocados para o curso, será alocado no IEPG e contará com o apoio do
NOMATI.

Das disciplinas a serem oferecidas no curso 100% serão alocadas ao IEPG, sendo 47% já existentes
e 53% a serem criadas.

Dados cadastrais:

• Ao final do curso o aluno terá o Grau de Bacharel em Ciência de Dados Aplicada.

• Código de cadastro e-mec: ainda não tem.

• Carga horária do curso: 3.870 [Link] (3.225 [Link]ógio).

• Duração prevista em semestres: mínima 7 (sete), esperada 8 (oito) e máxima 15 (quinze).

• Turno: noturno.

• Primeira oferta do curso: segundo semestre de 2026.

• Total de vagas para primeira oferta: 40 vagas por ano.

• Forma de ingresso: prioritariamente pelo SISU – Sistema de Seleção Unificado, que utiliza as
notas do ENEM.

Elemento CH ([Link]) CH ([Link]ógio)

Disciplinas Obrigatórias NA NA
Disciplonas Optativas 240 200
Estágio Supervisionado 350 292
Trabalho de Conclusão de Curso 360 300
Atividade de Extensão 488 407
Atividade Complementar 400 333
Total NA NA

4
3

JUSTIFICATIVA DO CURSO

O curso de Ciências de Dados Aplicados surge como uma resposta às necessidades crescentes do mercado
e da sociedade. A seguir, apresenta-se algumas justificativas que sustentam essa demanda:

1. Crescimento do Mercado de Dados

• Aumento da Geração de Dados: Com a digitalização e a transformação digital, há um volume

exponencial de dados sendo gerados diariamente. Empresas e organizações precisam de profissionais
capacitados para coletar, analisar, interpretar e suportar tomada de decisões estratégicas com esses
dados.

• Demanda por Profissionais Qualificados: Segundo estudos de mercado, a demanda por cientistas de
dados e analistas de dados tem crescido rapidamente, com uma escassez de profissionais qualificados
para preencher essas vagas.

2. Relevância para Diversos Setores

• Interdisciplinaridade: A ciência de dados é aplicável em diversas áreas, como saúde, finanças,

educação, marketing e meio ambiente. Isso torna os profissionais formados em Ciências de Dados
Aplicados versáteis e altamente valorizados no mercado.

• Soluções Baseadas em Dados: Organizações estão cada vez mais buscando soluções baseadas em
dados para melhorar processos, otimizar recursos e inovar em produtos e serviços.

3. Impacto Social e Comunitário

• Resolução de Problemas Sociais: Profissionais de ciência de dados podem contribuir para a solução
de problemas sociais, como a análise de dados em saúde pública, segurança, educação e sustentabil-
idade.

• Apoio à Tomada de Decisão: A capacidade de transformar dados em insights acionáveis pode

melhorar a tomada de decisão em políticas públicas e iniciativas comunitárias.

4. Formação Integrada e Prática

• Educação Prática: O curso de Ciências de Dados Aplicados pode incluir experiências práticas,
como estágios e projetos de extensão, que permitem aos alunos aplicar conhecimentos teóricos em
situações reais, aumentando sua empregabilidade.

• Desenvolvimento de Soft Skills: Além das habilidades técnicas, o curso pode desenvolver com-
petências interpessoais, como trabalho em equipe, comunicação e pensamento crítico, essenciais no
ambiente profissional.

5
6 3. JUSTIFICATIVA DO CURSO

5. Inovação e Empreendedorismo

• Fomento à Inovação: A formação em ciências de dados estimula a inovação, permitindo que os

alunos desenvolvam novas soluções e abordagens para problemas existentes, o que pode levar à
criação de startups e novos negócios.

• Apoio ao Empreendedorismo: Os conhecimentos adquiridos podem ser aplicados em projetos

próprios, capacitando os alunos a se tornarem empreendedores no campo da tecnologia e análise
de dados.
4

OBJETIVOS DO CURSO

4.1 Missão

O curso de Ciência de Dados Aplicada tem como missão formar profissionais altamente capacitados para
atuar na análise e interpretação de dados, utilizando técnicas avançadas de Machine Learning e estatís-
tica. Buscamos desenvolver competências que permitam aos alunos transformar dados em informações
estratégicas, contribuindo para a tomada de decisões em diversos setores da economia. Nossa abordagem
interdisciplinar integra fundamentos de engenharia, computação e ciências sociais, promovendo uma for-
mação ética e crítica, capaz de responder aos desafios contemporâneos da sociedade e do mercado de
trabalho.

4.2 Objetivo geral

Capacitar os estudantes a desenvolver, implementar e avaliar soluções analíticas baseadas em dados, com
ênfase em técnicas de Machine Learning e estatística. O curso visa formar profissionais que sejam capazes
de transformar dados brutos em informações úteis, contribuindo para a tomada de decisões estratégicas
em diversas áreas, como negócios, saúde, educação e tecnologia. Além disso, busca-se promover uma
formação crítica e ética, preparando os alunos para enfrentar os desafios sociais e éticos relacionados ao
uso de dados.

4.3 Objetivos específicos

1. Desenvolver Competências Técnicas: Capacitar os alunos a utilizar ferramentas e técnicas de análise

de dados, incluindo estatísticas descritivas, inferenciais e algoritmos de Machine Learning, para
resolver problemas práticos.

2. Implementar Projetos de Dados: Ensinar os alunos a planejar, implementar e avaliar projetos de

ciência de dados, desde a coleta e pré-processamento de dados até a modelagem e interpretação dos
resultados.

3. Promover a Interdisciplinaridade: Integrar conhecimentos de diferentes áreas, como computação,

estatística e ciências sociais, para que os alunos possam abordar problemas complexos de forma
holística.

4. Fomentar a Ética e a Responsabilidade Social: Sensibilizar os alunos sobre as implicações éticas do

uso de dados, promovendo uma formação que valorize a privacidade, a justiça e a transparência nas
análises.

5. Preparar para o Mercado de Trabalho: Proporcionar experiências práticas e estágios que preparem

7
8 4. OBJETIVOS DO CURSO

os alunos para atuar em diversos setores, como saúde, finanças, tecnologia e educação, atendendo
às demandas do mercado.

6. Estimular a Pesquisa e a Inovação: Incentivar a realização de projetos de pesquisa que explorem

novas técnicas e abordagens em ciência de dados, contribuindo para o avanço do conhecimento na
área.

7. Desenvolver Habilidades de Comunicação: Capacitar os alunos a comunicar resultados e insights

de forma clara e eficaz, utilizando visualizações de dados e relatórios que atendam às necessidades
de diferentes públicos.

Esses objetivos específicos visam garantir uma formação completa e adequada às exigências do
mercado e às necessidades da sociedade.
5

PERFIL DO INGRESSANTE

As formas de acesso ao curso de Ciência de Dados podem variar de acordo com a instituição, mas
geralmente incluem:

1. Vestibular: Processo seletivo tradicional onde os candidatos realizam provas de conhecimentos gerais
e específicos.

2. Exame Nacional do Ensino Médio (ENEM): Utilização da nota do ENEM como critério de seleção
para ingresso no curso, comum em muitas universidades brasileiras.

3. Transferência: Possibilidade de alunos de outras instituições de ensino superior solicitarem trans-

ferência para o curso, mediante análise de histórico escolar e adequação curricular.

4. Reingresso: Para alunos que já foram matriculados em cursos da mesma instituição e desejam
retornar ao curso de Ciência de Dados.

Por sua vez, o perfil do ingressante no curso de Ciência de Dados geralmente inclui:

1. Formação Prévia: Candidatos com formação em áreas como Matemática, Estatística, Computação,
Engenharia, ou áreas afins são frequentemente bem-vindos, mas não é uma exigência exclusiva.

2. Interesse em Tecnologia e Dados: Um forte interesse por tecnologia, análise de dados e resolução
de problemas complexos.

3. Habilidades Analíticas: Capacidade de pensar criticamente e analisar informações quantitativas e

qualitativas.

4. Interesse em Programação: Familiaridade com linguagens de programação como Python ou R pode

ser uma vantagem, embora não seja sempre um requisito.

5. Perfil Proativo: Disposição para aprender continuamente e se adaptar às novas tecnologias e

metodologias no campo da ciência de dados.

6. Trabalho em Equipe: Habilidade de trabalhar colaborativamente em projetos, uma vez que muitas
atividades envolvem equipes multidisciplinares.

9
6

NÚCLEO DOCENTE ESTRUTURANTE

De acordo com o Parecer CONAES n. 4/2010, o Núcleo Docente Estruturante (NDE) visa qualificar
a participação docente na concepção e consolidação de cursos de graduação. Segundo a legislação da
Comissão Nacional de Avaliação da Educação Superior (2010), o NDE deve ser composto por docentes
com atribuições acadêmicas, atuando na elaboração, consolidação e atualização contínua do Projeto
Pedagógico do Curso (PPC).

Conforme a Resolução CONAES n. 1/2010, os membros do NDE devem ter liderança acadêmica,
reconhecida pela produção de conhecimento e desenvolvimento do ensino na área. O NDE não é um
órgão deliberativo, mas serve como espaço para discutir atividades pedagógicas e acadêmicas, garantindo
que ensino, pesquisa e extensão sejam realizadas de forma adequada.

Segundo o Regimento Geral da Unifei, as atribuições do NDE são:

1. Elaborar, acompanhar a execução e atualizar periodicamente o PPC e a estrutura curricular e

disponibilizá-lo ao colegiado do curso para deliberação;

2. Contribuir para a consolidação do perfil profissional do egresso do curso;

3. Zelar pela integração curricular interdisciplinar entre as diferentes atividades de ensino constantes
no PPC;

4. Indicar formas de incentivo ao desenvolvimento de linhas de pesquisa e atividades de extensão,

oriundas de necessidades da graduação, de exigências do mercado de trabalho e afinadas com as
políticas públicas relativas à área de conhecimento do curso;

5. Zelar pelo cumprimento das diretrizes curriculares nacionais para o curso de graduação e das normas
internas da Unifei;

6. Propor ações a partir de resultados obtidos nos processos de avaliação internos e externos.

10
7

COLEGIADO DO CURSO

O Colegiado do curso é responsável pela gestão do curso em parceria com a Pró-reitoria de Graduação.
Segundo o Regimento Geral da Unifei, cada Colegiado deve ter entre cinco e dez membros, sendo que:

• 60% devem ser docentes responsáveis por disciplinas da área profissional do graduado;

• Até 30% serão docentes de outras disciplinas;

• Pelo menos um membro deve ser do corpo discente.

O Colegiado, que segue normas específicas do Regimento Geral, reúne-se ordinariamente duas
vezes por semestre e extraordinariamente quando convocado, caso dois terços dos membros solicitem a
reunião. O mandato dos docentes é de dois anos, com possibilidade de recondução, enquanto os discentes
têm mandato de um ano, também com recondução permitida.

Os procedimentos para a eleição dos membros serão definidos em norma aprovada pela Câmara
Superior de Graduação.

Segundo o Regimento Geral da Unifei, compete ao Colegiado de Curso:

1. Eleger o Coordenador de Curso;

2. Propor nomes para comporem o NDE, encaminhando à Assembleia da Unidade para aprovação;
3. Deliberar sobre o PPC, encaminhando à Assembleia da Unidade para aprovação;
4. Promover a implementação do PPC;
5. Aprovar alterações nos planos de ensino das disciplinas propostos pelo NDE;
6. Elaborar e acompanhar o processo de avaliação e renovação de reconhecimento do curso;
7. Estabelecer mecanismos de orientação acadêmica ao corpo discente do curso;
8. Criar comissões para assuntos específicos;
9. Designar coordenadores de Trabalho de Conclusão de Curso, Estágio, Mobilidade Acadêmica e
Atividades Complementares;
10. Analisar e emitir parecer sobre aproveitamento de estudos e adaptações, de acordo com norma
específica aprovada pela Câmara Superior de Graduação;
11. Julgar, em grau de recurso, as decisões do Coordenador do Curso;
12. Decidir ou opinar sobre outras matérias pertinentes ao curso.

11
8

COORDENADOR DO CURSO

O artigo 162 do Regimento Geral da Unifei determina que o Coordenador de Curso terá um mandato
de 2 (dois) anos e será eleito pelo respectivo Colegiado do Curso, por maioria simples e em escrutínio
único havendo um Coordenador Adjunto ou um substituto indicado pelo Coordenador eleito, /entre os
membros do Colegiado do Curso, que terá como atribuição substituir o Coordenador em suas ausências
ou impedimentos.

A atuação do coordenador do curso obedece ao que estabelece o Regimento Geral da Unifei.

Compete ao coordenador do curso: 1. Convocar e presidir as reuniões do Colegiado de Curso, com direito,
somente, ao voto de qualidade; 2. Representar o Colegiado de Curso; 3. Supervisionar o funcionamento
do curso; 4. Tomar medidas necessárias para a divulgação do curso; 5. Participar da elaboração do
calendário didático da graduação; 6. Promover reuniões de planejamento do curso; 7. Orientar os alunos
do Curso na matrícula e na organização e seleção de suas atividades curriculares; 8. Decidir sobre assuntos
da rotina administrativa do curso; 9. Exercer outras atribuições inerentes ao cargo.

12
9

PERFIL DO EGRESSO

O egresso do Bacharelado em Ciência de Dados Aplicada da UNIFEI será um profissional com formação
sólida, interdisciplinar e orientada para a aplicação prática da ciência de dados em diferentes setores
da sociedade. A formação proporcionada pelo curso enfatiza competências analíticas, computacionais,
matemáticas, estatísticas, éticas e gerenciais, preparando o futuro profissional para atuar em ambientes
dinâmicos, complexos e baseados em dados.

O egresso estará apto a compreender e conduzir todas as etapas do ciclo de vida dos dados
— desde a aquisição, organização, limpeza, armazenamento e processamento, até a análise exploratória,
modelagem, validação, interpretabilidade, comunicação dos resultados e auxílio à tomada de decisão. Será
capaz de propor soluções e estratégias orientadas por dados em contextos reais, considerando impactos
sociais, econômicos, tecnológicos e ambientais.

9.1 Competências Técnicas

Ao concluir o curso, o egresso estará apto a:

• Aplicar métodos estatísticos e matemáticos avançados em problemas complexos;

• Desenvolver sistemas, modelos e algoritmos de aprendizado de máquina e inteligência artificial;
• Projetar e gerenciar pipelines de dados, considerando escalabilidade, segurança e governança;
• Dominar linguagens de programação utilizadas na ciência de dados (como Python);
• Projetar e consultar bases de dados SQL e NoSQL;
• Realizar análise exploratória de dados e visualização avançada para suporte à decisão;
• Integrar ferramentas de big data, computação em nuvem e sistemas distribuídos;
• Desenvolver soluções completas de MLOps, acompanhando modelos do desenvolvimento à produção.

9.2 Competências Analíticas e Cognitivas

• Estruturar problemas complexos de forma sistemática e orientada ao método científico;

• Avaliar criticamente resultados de modelos, métricas e evidências quantitativas;
• Interpretar fenômenos por meio de dados e propor recomendações fundamentadas;
• Comunicar resultados técnicos e analíticos para diferentes públicos, técnicos ou não técnicos.

9.3 Competências Sociais, Éticas e Profissionais

• Atuar com responsabilidade ética no uso de dados, respeitando a legislação (incluindo LGPD);
• Avaliar impactos sociais e organizacionais decorrentes do uso de dados e IA;
• Trabalhar de forma colaborativa em equipes multidisciplinares;

13
14 9. PERFIL DO EGRESSO

• Demonstrar autonomia intelectual, criatividade e capacidade de aprendizagem contínua.

9.4 Áreas de Atuação do Egresso

O profissional formado poderá atuar em diferentes setores, incluindo:

• Esportes (análise de desempenho, biomecânica, predição de performance);

• Saúde (análise de prontuários, modelos preditivos, diagnósticos assistidos);
• Finanças (modelagem de risco, detecção de fraudes, algoritmos de investimento);
• Indústria 4.0 (otimização, monitoramento inteligente, manutenção preditiva);
• Energia e Sustentabilidade (previsão de demanda, eficiência energética, análise ambiental);
• Petróleo e Gás (modelagem geológica, otimização de processos);
• Governo e Setor Público (políticas públicas baseadas em evidências, segurança pública);
• Agricultura de Precisão (modelagem climática, análise de solo, previsão de safra);
• Comércio e Marketing (segmentação, análise de consumidores, estratégias orientadas a dados).

9.5 Síntese do Perfil Profissional

O egresso será um cientista de dados capaz de atuar em diferentes contextos e setores, articulando
conhecimentos técnicos e visão sistêmica para resolver problemas reais. Será um profissional preparado
para lidar com desafios atuais e futuros relacionados à transformação digital, contribuindo para a inovação,
competitividade e desenvolvimento sustentável das organizações e da sociedade.
10

POLÍTICAS INSTITUCIONAIS

10.1 Política de ensino

As políticas institucionais da Universidade Federal de Itajubá (UNIFEI) são fundamentais para garan-
tir um ambiente acadêmico de qualidade, inclusivo e voltado para o desenvolvimento integral dos estu-
dantes. Neste contexto, a política de ensino se destaca pela busca constante de inovação nas metodologias
pedagógicas e pela promoção de um currículo que atenda às demandas do mercado e da sociedade. Sendo
constituída pelos eixos:

• Qualidade Acadêmica: A UNIFEI busca garantir a qualidade do ensino por meio de um currículo
atualizado, que atenda às demandas do mercado e da sociedade.
• Metodologias Ativas: Incentivo ao uso de metodologias ativas de ensino-aprendizagem que pro-
movam a participação ativa dos alunos e a construção do conhecimento.
• Inclusão e Diversidade: Compromisso com a inclusão social e a diversidade, garantindo acesso e
permanência de todos os estudantes, especialmente grupos historicamente marginalizados.

10.2 Programa de atendimento ao corpo discente

O programa de atendimento ao discente é estruturado para oferecer suporte psicológico, acadêmico e

financeiro, assegurando que todos os alunos tenham condições adequadas para o seu aprendizado e de-
senvolvimento. Sendo pautado nas ações de:

• Apoio Psicossocial: Disponibilização de serviços de apoio psicológico e social para auxiliar alunos
em dificuldades acadêmicas ou pessoais.
• Tutoria Acadêmica: Programas de tutoria que conectam alunos veteranos com ingressantes, pro-
porcionando orientação e suporte acadêmico.
• Bolsas e Auxílios: Oferecimento de bolsas de estudo e auxílios financeiros para estudantes em
situação de vulnerabilidade econômica.

10.3 Políticas e ações de acompanhamento dos egressos

A UNIFEI valoriza o acompanhamento dos egressos, reconhecendo a importância de entender suas tra-
jetórias profissionais e a contribuição que a formação acadêmica oferece em suas vidas. Sendo desenvolvi-
das ações de:

• Monitoramento de Egressos: Implementação de sistemas para acompanhar a trajetória profissional

dos egressos, coletando dados sobre sua inserção no mercado de trabalho.

15
16 10. POLÍTICAS INSTITUCIONAIS

• Feedback e Melhoria Contínua: Uso das informações coletadas para aprimorar os cursos e programas
acadêmicos, garantindo que atendam às necessidades do mercado.
• Rede de Egressos: Criação de uma rede de contatos entre egressos e a universidade, facilitando
a troca de experiências e oportunidades de colaboração. Com destaque para o papel da Fun-
dação Theodomiro Santiago (FTS) mantém um forte vínculo com ex-alunos da antiga EFEI (atual
UNIFEI), que historicamente contribuíram como fundadores, colaboradores e membros. Atual-
mente, a relação se concretiza através de eventos, homenagens e a participação ativa dos ex-alunos
em órgãos como a assembleia da fundação. A FTS organiza atividades que promovem o reencontro
e a troca de experiências entre gerações de ex-alunos.

10.4 Comunicação da UNIFEI com a comunidade interna e ex-

terna

A comunicação com a comunidade interna e externa é um pilar essencial, promovendo a transparência e

o engajamento entre a universidade e a sociedade. Assim, as políticas institucionais da UNIFEI refletem
seu compromisso com a excelência acadêmica e a responsabilidade social. Esta comunicação é pautada:

• Transparência e Abertura: Compromisso com a transparência nas decisões e processos administra-

tivos, promovendo uma comunicação clara e acessível.
• Eventos e Atividades: Realização de eventos, palestras e workshops que envolvem a comunidade
interna e externa, promovendo a troca de conhecimentos.
• Canais de Comunicação: Utilização de diversas plataformas (site institucional, redes sociais,
newsletters) para manter a comunidade informada sobre atividades, conquistas e oportunidades.
11

REQUISITOS LEGAIS

11.1 Condições de Acesso para Pessoas com Deficiência e/ou

Mobilidade Reduzida

A Universidade Federal de Itajubá (UNIFEI) adota uma série de medidas para garantir o acesso e a
permanência de pessoas com deficiência e/ou mobilidade reduzida em suas atividades acadêmicas. Essas
condições são fundamentais para promover a inclusão e a igualdade de oportunidades para todos os
estudantes. A seguir, destacam-se algumas das principais iniciativas:

• Acessibilidade Física

– Infraestrutura Adaptada: A universidade conta com rampas de acesso, elevadores e banheiros

adaptados, garantindo que todos os espaços físicos sejam acessíveis.
– Sinalização: A sinalização adequada em braille e com contrastes visuais é implementada para
facilitar a locomoção de pessoas com deficiência visual.

• Apoio Acadêmico

– Atendimento Especializado: Disponibilização de serviços de apoio psicológico e pedagógico,

com profissionais capacitados para atender às necessidades específicas dos alunos.
– Materiais Acessíveis: Produção de materiais didáticos em formatos acessíveis, como audiobooks
e textos em braille, para atender a diferentes tipos de deficiência.

• Políticas de Inclusão

– Formação e Capacitação: Realização de treinamentos para professores e funcionários sobre

inclusão e acessibilidade, visando sensibilizar a comunidade acadêmica sobre as necessidades
dos estudantes com deficiência.
– Programas de Apoio: Implementação de programas de tutoria e mentorias específicas para
alunos com deficiência, ajudando na adaptação ao ambiente acadêmico.

• Comunicação e Sensibilização

– Campanhas de Conscientização: Promoção de eventos e campanhas que visam sensibilizar a

comunidade acadêmica sobre a importância da inclusão e do respeito às diferenças.
– Canal de Comunicação: Disponibilização de um canal direto para que alunos com deficiên-
cia possam relatar dificuldades e sugerir melhorias nas condições de acesso. Essas iniciativas
refletem o compromisso da UNIFEI em promover um ambiente inclusivo, onde todos os estu-
dantes, independentemente de suas condições, possam ter acesso igualitário à educação e às
oportunidades oferecidas pela universidade.

17
18 11. REQUISITOS LEGAIS

11.2 Disciplina Optativa de Libras

A Universidade Federal de Itajubá (UNIFEI) oferece uma disciplina de Língua Brasileira de Sinais (Libras)
classificada como optativa. Essa iniciativa é parte do compromisso da instituição em promover a inclusão
e a acessibilidade para pessoas surdas e com deficiência auditiva. Esta oferta atende ao decreto número
5.626, de 22 de dezembro de 2005.
12

LEGISLAÇÃO ESPECÍFICA

O Bacharelado em Ciência de Dados Aplicada atende a todas as legislações específicas comuns a todos
os cursos de graduação, conforme apresentado a seguir.

Conteúdo Disciplina
Libras LET007 Libras - Língua Brasileira de Sinais (48 h)
Direitos Humanos Nova - Ciência de dados e sociedade (32 h)
Educação Ambiental Nova - Ciência de dados e sociedade (32 h)
Educação para as Relações Étnico-raciais Nova - Ciência de dados e sociedade (32 h)

A disciplina Ciência de Dados e Sociedade atende:

• Lei 11.645 de 10/03/2008; Resolução CNE/CP 01 de 17 de junho de 2004 é prevista a oferta de

disciplinas eletivas sobre a referida temática, bem como incentivada a participação de alunos em
eventos que tratam da mesma.
• Resolução CNE n. 1, de 30 de maio de 2012 voltado à Educação em Direitos Humanos e a adesão da
Unifei ao Pacto Nacional para a Educação em Direitos Humanos que também aborda a questão da
diversidade social, cultural, racial. O Pacto Universitário pela Promoção do Respeito à Diversidade,
da Cultura da Paz e dos Direitos Humanos é uma iniciativa conjunta do Ministério da Educação e
do Ministério da Justiça e Cidadania para a promoção da educação em direitos humanos no ensino
superior.
• Políticas de Educação Ambiental, destacadas na Lei n. 9.795, de 27 de abril de 1999 e Decreto
n. 4.281, de 25 de junho de 2002. Bem como o Plano de Gestão e Logística Sustentável (PLS):
Atendendo a Instrução Normativa 10/12, do Ministério de Planejamento, Orçamento e Gestão
(MPOG) para as Instituições Federais de Ensino Superior foi criado o PLS da Instituição através
de um grupo de trabalho coordenado por professores, alunos e técnicos;
• Resolução CNE/CP nř 01, de 17 de junho de 2004 que aborda o ensino de história e cultura
afro-brasileira, africana e indígena.

19
13

FUNDAMENTOS DIÁTICO-PEDAGÓGICOS

O novo curso da Universidade Federal de Itajubá (UNIFEI) é fundamentado em princípios didáticos

e pedagógicos que visam promover uma educação de qualidade, inclusiva e voltada para as demandas
contemporâneas. A seguir, destacam-se os principais aspectos que norteiam essa proposta educacional:

1. Abordagem Interdisciplinar: A formação busca integrar diferentes áreas do conhecimento, per-

mitindo que os alunos desenvolvam uma compreensão holística dos temas abordados. Essa abor-
dagem favorece a construção de saberes que dialogam entre si, preparando os estudantes para
enfrentar desafios complexos no mundo real.

2. Educação Inclusiva: Um dos pilares do curso é a promoção da inclusão e da diversidade. As

disciplinas de Libras e Ciência de Dados e Sociedade são fundamentais para garantir que os alunos
se sintam respeitados e valorizados, independentemente de suas origens ou condições. Isso envolve
um currículo inclusivo que cria um ambiente escolar acolhedor e equitativo.

3. Metodologias Ativas: O uso de metodologias ativas é incentivado, estimulando a participação

dos alunos no processo de aprendizagem. Através de práticas como debates, trabalhos em grupo e
projetos, os estudantes são encorajados a se tornarem protagonistas de sua formação, desenvolvendo
habilidades críticas e reflexivas.

4. Formação para a Cidadania: O curso tem um forte compromisso com a formação de cidadãos
conscientes e engajados. Os alunos são incentivados a refletir sobre sua responsabilidade social e a
atuar em prol de uma sociedade mais justa e sustentável, contribuindo para a transformação social.

5. Integração Teoria-Prática: A articulação entre teoria e prática é essencial na formação dos

alunos. O curso propõe experiências práticas que complementam a teoria, permitindo que os es-
tudantes vivenciem e apliquem os conhecimentos adquiridos em situações reais. Os fundamentos
didáticos e pedagógicos do novo curso da UNIFEI refletem um compromisso com a excelência edu-
cacional e a formação integral dos alunos. Ao promover uma educação inclusiva, interdisciplinar e
voltada para a cidadania, a UNIFEI se posiciona como uma instituição que valoriza a diversidade
e a responsabilidade social, preparando seus alunos para os desafios vindouros.

13.1 Princípios didáticos-metodológicos

Os princípios didático-metodológicos do curso têm por base as diretrizes do Plano de Desenvolvimento

Institucional e do Projeto Pedagógico Institucional da Universidade Federal de Itajubá. A prática docente
fundamenta-se no respeito à pluralidade de concepções pedagógicas e na autonomia do docente para o
planejamento didático, desde que atendidas as diretrizes previstas neste documento.

20
13.2. ESTRATÉGIAS DE APRENDIZAGEM 21

13.2 Estratégias de aprendizagem

As estratégias de aprendizagem implementadas no novo curso da Universidade Federal de Itajubá

(UNIFEI) são projetadas para promover um ambiente educacional dinâmico e eficaz. Abaixo estão
algumas das principais estratégias adotadas:

• Aprendizagem Baseada em Projetos (ABP)

– Descrição: Os alunos trabalham em projetos práticos que refletem problemas reais, incenti-
vando a aplicação do conhecimento teórico em situações concretas.
– Objetivo: Desenvolver habilidades práticas, pensamento crítico e capacidade de resolução de
problemas.
• Estudos de Caso
– Descrição: Análise de casos reais ou hipotéticos que desafiam os alunos a aplicar conceitos
aprendidos e a desenvolver soluções.
– Objetivo: Estimular a reflexão crítica e a discussão, promovendo uma compreensão mais pro-
funda dos conteúdos.
• Aprendizagem Colaborativa
– Descrição: Os alunos são incentivados a trabalhar em grupos, compartilhando conhecimentos
e experiências para alcançar objetivos comuns.
– Objetivo: Fomentar habilidades sociais, como comunicação e trabalho em equipe, essenciais
para o ambiente profissional.
• Uso de Tecnologias Educacionais
– Descrição: Integração de ferramentas digitais e plataformas de aprendizado online para com-
plementar as aulas e facilitar o acesso a recursos educacionais.
– Objetivo: Modernizar o ensino e proporcionar flexibilidade na aprendizagem, permitindo que
os alunos aprendam no seu próprio ritmo.
• Feedback Contínuo
– Descrição: Avaliações formativas e feedback regular são fornecidos aos alunos para ajudá-los
a identificar áreas de melhoria e a monitorar seu progresso.
– Objetivo: Promover uma aprendizagem reflexiva e contínua, onde os alunos possam ajustar
suas estratégias de estudo conforme necessário.
• Mentoria e Acompanhamento
– Descrição: Alunos têm acesso a mentores e tutores que oferecem orientação acadêmica e profis-
sional, ajudando-os a navegar por suas trajetórias educativas.
– Objetivo: Apoiar o desenvolvimento pessoal e acadêmico, garantindo que os alunos se sintam
apoiados em sua jornada.

13.2.1 Acessibilidade Metodológica

A acessibilidade metodológica é um aspecto crucial na educação, especialmente em instituições como a

Universidade Federal de Itajubá (UNIFEI). Ela visa garantir que todos os alunos, independentemente
de suas condições físicas, sensoriais ou cognitivas, tenham igual acesso ao aprendizado e às atividades
acadêmicas. Aqui estão os principais pontos sobre a acessibilidade metodológica na UNIFEI:
22 13. FUNDAMENTOS DIÁTICO-PEDAGÓGICOS

• Adaptação Curricular

– Descrição: O currículo é adaptado para atender às necessidades de todos os alunos, incluindo

aqueles com deficiências.
– Objetivo: Garantir que todos possam participar plenamente das atividades acadêmicas, sem
barreiras.

• Uso de Recursos Tecnológicos

– Descrição: Ferramentas e tecnologias assistivas são incorporadas ao ambiente de aprendizagem,

como softwares de leitura de tela e legendas em vídeos.
– Objetivo: Facilitar a comunicação e o acesso ao conteúdo para alunos com diferentes necessi-
dades.

• Formação de Professores

– Descrição: Capacitação contínua dos docentes para que possam identificar e atender às neces-
sidades de alunos com deficiência.
– Objetivo: Sensibilizar e preparar os professores para implementar práticas inclusivas em suas
aulas.

• Ambientes Acessíveis

– Descrição: As instalações físicas da universidade são projetadas ou adaptadas para serem

acessíveis, incluindo rampas, sinalização adequada e banheiros adaptados.
– Objetivo: Criar um espaço seguro e inclusivo para todos os alunos.

• Apoio Psicológico e Acadêmico

– Descrição: Disponibilização de serviços de apoio psicológico e tutoria acadêmica para auxiliar

alunos com dificuldades específicas.
– Objetivo: Oferecer suporte emocional e acadêmico, promovendo a permanência e o sucesso
dos alunos.

• Feedback e Avaliação Inclusiva

– Descrição: Métodos de avaliação são diversificados para acomodar diferentes estilos de apren-
dizagem e necessidades.
– Objetivo: Garantir que todos os alunos possam demonstrar seu conhecimento e habilidades de
maneiras que sejam justas e acessíveis.

A acessibilidade metodológica na UNIFEI é um compromisso com a inclusão e a equidade educa-

cional. Ao implementar essas práticas, a Universidade busca não apenas atender às exigências legais, mas
também promover um ambiente de aprendizado onde todos os alunos possam prosperar. Essa abordagem
reflete uma visão mais ampla de educação, que valoriza a diversidade e a participação de todos.

13.2.2 Autonomia Discente

A autonomia discente é um conceito fundamental no ambiente educacional, especialmente na Universidade

Federal de Itajubá (UNIFEI). Refere-se à capacidade dos alunos de gerenciar sua própria aprendizagem,
tomar decisões sobre seu percurso acadêmico e desenvolver habilidades críticas e reflexivas. Aqui estão
os principais aspectos da autonomia discente na UNIFEI:

• Promoção da Autonomia na Aprendizagem

13.2. ESTRATÉGIAS DE APRENDIZAGEM 23

– Descrição: A UNIFEI incentiva os alunos a se tornarem protagonistas de sua própria apren-

dizagem, promovendo a reflexão sobre seus métodos de estudo e a busca por conhecimentos
de forma independente.
– Objetivo: Fomentar um aprendizado ativo e responsável, onde os alunos se sintam empoderados
para buscar informações e soluções.

• Metodologias Ativas

– Descrição: A utilização de metodologias ativas, como aprendizagem baseada em projetos e estu-

dos de caso, permite que os alunos participem ativamente do processo de ensino-aprendizagem.
– Objetivo: Estimular a iniciativa dos alunos, promovendo a colaboração e a troca de experiên-
cias, além de desenvolver habilidades práticas.

• Orientação e Apoio

– Descrição: Professores e tutores oferecem orientação, mas incentivam a busca de soluções pelos
próprios alunos, criando um ambiente de suporte que valoriza a independência.
– Objetivo: Equilibrar o suporte acadêmico com a necessidade de os alunos tomarem decisões e
resolverem problemas de forma autônoma.

• Avaliação Formativa

– Descrição: A avaliação é estruturada para fornecer feedback contínuo, permitindo que os alunos
identifiquem suas fortalezas e áreas de melhoria.
– Objetivo: Incentivar a autoavaliação e a reflexão crítica sobre o próprio desempenho, pro-
movendo um aprendizado mais consciente.

• Desenvolvimento de Habilidades Sociais e Emocionais

– Descrição: A autonomia discente também envolve o desenvolvimento de habilidades sociais,

como trabalho em equipe e comunicação, que são essenciais para o sucesso acadêmico e profis-
sional.
– Objetivo: Preparar os alunos para interações eficazes em ambientes colaborativos, tanto na
universidade quanto no mercado de trabalho.

• Flexibilidade Curricular

– Descrição: A UNIFEI oferece opções de eletivas e atividades extracurriculares que permitem

aos alunos personalizar seu percurso acadêmico de acordo com seus interesses e objetivos.
– Objetivo: Facilitar a exploração de diferentes áreas do conhecimento, promovendo um apren-
dizado mais alinhado com as aspirações individuais.

A autonomia discente na UNIFEI é essencial para a formação de profissionais críticos e prepara-

dos para enfrentar os desafios do mundo contemporâneo. Ao promover um ambiente que valoriza a
independência e a responsabilidade, a universidade não apenas enriquece a experiência acadêmica, mas
também contribui para o desenvolvimento integral dos discentes.
14

SISTEMA DE AVALIAÇÃO

14.1 Avaliação do discente

O sistema de avaliação do discente na Universidade Federal de Itajubá (UNIFEI) é projetado para medir o
desempenho acadêmico dos alunos de forma justa e abrangente. A seguir, estão os principais componentes
desse sistema:

• Avaliação Formativa

– Descrição: A avaliação formativa é contínua e busca acompanhar o progresso do aluno ao longo

do semestre. Inclui atividades como trabalhos, projetos e apresentações.
– Objetivo: Proporcionar feedback constante, permitindo que os alunos identifiquem suas difi-
culdades e fortalezas.

• Avaliação Somativa

– Descrição: Realizada ao final de cada período letivo, a avaliação somativa geralmente consiste
em provas e exames que medem o conhecimento adquirido pelos alunos.
– Objetivo: Determinar a aprovação ou reprovação do aluno em uma disciplina, com base no
desempenho global.

• Diversificação dos Instrumentos de Avaliação

– Descrição: A UNIFEI utiliza uma variedade de métodos de avaliação, incluindo:

– Provas escritas
– Trabalhos em grupo
– Relatórios de pesquisa
– Projetos práticos
– Objetivo: Atender diferentes estilos de aprendizagem e proporcionar oportunidades para que
todos os alunos demonstrem seu conhecimento.

• Critérios de Avaliação Claros

– Descrição: Os critérios de avaliação são definidos previamente e comunicados aos alunos,

garantindo transparência e equidade no processo avaliativo.
– Objetivo: Permitir que os alunos saibam exatamente o que é esperado deles e como serão
avaliados.

• Autoavaliação e Reflexão

– Descrição: Os alunos são incentivados a realizar autoavaliações, refletindo sobre seu próprio
aprendizado e progresso.
– Objetivo: Promover a autonomia e a responsabilidade pelo próprio aprendizado.

• Consideração de Aspectos Qualitativos

24
14.2. AVALIAÇÃO EXTERNA À UNIVERSIDADE 25

– Descrição: Além das notas, aspectos qualitativos como participação em aula, colaboração em
grupo e engajamento em atividades extracurriculares também são considerados na avaliação.
– Objetivo: Valorizar a formação integral do aluno, indo além do desempenho acadêmico estrito.

O sistema de avaliação do discente na UNIFEI é estruturado para ser inclusivo, reflexivo e

adaptável às necessidades dos alunos. Ele busca não apenas medir o conhecimento, mas também promover
o desenvolvimento de habilidades críticas e sociais, preparando os alunos para os desafios do mercado de
trabalho e da vida profissional. Essa abordagem integrada assegura que a avaliação contribua efetivamente
para o processo de aprendizagem.

14.2 Avaliação externa à universidade

As avaliações externas são estabelecidas pelo Sistema Nacional de Avaliação da Educação Superior
(SINAES) instituído pela Lei 10.861, de 14 de abril de 2004. Sendo os principais aspectos relaciona-
dos às avaliações externas no contexto do SINAES:

• Objetivos do SINAES

– Avaliação da Qualidade: O SINAES tem como objetivo principal assegurar a qualidade da

educação superior, avaliando tanto as instituições quanto os cursos oferecidos.
– Transparência e Melhoria: Promover a transparência nas informações sobre as instituições e
incentivar a melhoria contínua da qualidade educacional.

• Componentes do SINAES

– Avaliação Institucional: Envolve a análise da gestão, infraestrutura, corpo docente e a ade-

quação dos recursos disponíveis para o ensino.
– Avaliação de Cursos: Avalia a qualidade dos cursos oferecidos, considerando aspectos como
currículo, metodologias de ensino e resultados de aprendizagem.
– Avaliação do Desempenho dos Estudantes: Inclui a análise do desempenho acadêmico dos
alunos, medido por meio de exames e outras avaliações.

• Instrumentos de Avaliação

– Visitas In Loco: Avaliadores do Ministério da Educação (MEC) realizam visitas às instituições

para verificar as condições de ensino e infraestrutura.
– Relatórios de Autoavaliação: As instituições são incentivadas a elaborar relatórios que reflitam
sua autoavaliação, destacando pontos fortes e áreas que necessitam de melhoria.
– Exames e Testes: Utilização de exames como o ENADE (Exame Nacional de Desempenho de
Estudantes) para avaliar o conhecimento dos alunos em relação aos conteúdos dos cursos.

• Resultados e Consequências

– Classificação das Instituições: Os resultados das avaliações podem impactar a classificação das
instituições no cenário nacional, influenciando a percepção pública e a captação de alunos.
– Apoio e Recursos: Instituições com melhor desempenho podem ter acesso a mais recursos e
apoio do governo para programas de melhoria.
– Planos de Ação: Instituições que não atingem os padrões de qualidade estabelecidos são in-
centivadas a desenvolver planos de ação para corrigir deficiências.

• Importância da Avaliação
26 14. SISTEMA DE AVALIAÇÃO

– Melhoria Contínua: As avaliações externas são fundamentais para o processo de melhoria

contínua da qualidade da educação superior, permitindo que as instituições se adaptem às
necessidades do mercado e da sociedade.
– Responsabilidade Social: As instituições são responsabilizadas pela formação de profissionais
competentes, contribuindo para o desenvolvimento social e econômico do país.

O SINAES desempenha um papel crucial na garantia da qualidade da educação superior no

Brasil, incluindo a UNIFEI. As avaliações externas não apenas fornecem um diagnóstico da situação
atual, mas também orientam as instituições na busca por melhorias contínuas, alinhando-se às demandas
da sociedade e do mercado de trabalho.

14.3 Avaliação interna à universidade e do docente

A Universidade Federal de Itajubá (UNIFEI) implementa diversos mecanismos de avaliação interna para
garantir a qualidade dos cursos oferecidos e o desempenho dos discentes. Esses mecanismos são funda-
mentais para promover a melhoria contínua e a adequação às diretrizes do SINAES. A seguir estão os
principais aspectos:

• Autoavaliação Institucional

– Descrição: A UNIFEI realiza processos de autoavaliação periódicos, onde a instituição analisa

seus próprios métodos, resultados e práticas acadêmicas.
– Objetivo: Identificar pontos fortes e áreas que necessitam de melhorias, promovendo um ciclo
de feedback que contribua para o aprimoramento da qualidade educacional.

• Avaliação de Cursos

– Descrição: Cada curso é avaliado em relação a critérios específicos, que incluem a qualidade
do corpo docente, infraestrutura, currículo, e a adequação das metodologias de ensino.
– Objetivo: Garantir que os cursos atendam às necessidades dos alunos e do mercado de trabalho,
além de promover a atualização constante dos conteúdos.

• Comissão de Avaliação

– Descrição: A UNIFEI conta com comissões internas que são responsáveis por realizar avaliações
sistemáticas dos cursos e da instituição como um todo.
– Objetivo: Propor melhorias e acompanhar a implementação de ações corretivas com base nos
resultados das avaliações.

• Feedback dos Alunos

– Descrição: Os alunos são incentivados a fornecer feedback sobre as disciplinas, professores e a

infraestrutura da universidade.
– Objetivo: Coletar informações valiosas que ajudem na identificação de problemas e na formu-
lação de estratégias para melhorias.

• Relatórios de Desempenho

– Descrição: A instituição elabora relatórios que analisam o desempenho acadêmico dos alunos,
levando em consideração taxas de aprovação, retenção e conclusão.
– Objetivo: Monitorar a eficácia dos métodos de ensino e identificar tendências que possam
indicar a necessidade de intervenções.
14.3. AVALIAÇÃO INTERNA À UNIVERSIDADE E DO DOCENTE 27

• Integração com o SINAES

– Descrição: A avaliação interna está alinhada com os critérios e diretrizes do SINAES, assegu-
rando que a UNIFEI atenda aos padrões de qualidade exigidos pelo Ministério da Educação
(MEC).
– Objetivo: Facilitar a preparação para avaliações externas e garantir a conformidade com as
normas nacionais de educação superior.

• Ações de Melhoria Contínua

– Descrição: Com base nas avaliações e feedbacks, a UNIFEI implementa ações de melhoria
contínua que podem incluir capacitação de docentes, revisão de currículos e melhorias na
infraestrutura.
– Objetivo: Promover um ambiente educacional que favoreça a aprendizagem e o desenvolvi-
mento integral dos alunos.

Os mecanismos de avaliação interna da UNIFEI são essenciais para assegurar a qualidade da

educação oferecida. Eles não apenas ajudam a identificar áreas de melhoria, mas também garantem que
a universidade se mantenha alinhada às melhores práticas e exigências do setor educacional, promovendo
a formação de profissionais qualificados e preparados para o mercado de trabalho.
15

ALINHAMENTO AO PDI

O Plano de Desenvolvimento Institucional (PDI) da Universidade Federal de Itajubá (UNIFEI) estabelece

diretrizes e políticas que orientam a gestão acadêmica e administrativa da instituição. No âmbito dos
cursos oferecidos, a implementação dessas políticas é fundamental para garantir a qualidade do ensino e
a formação integral dos alunos. A seguir estão os principais aspectos relacionados à implementação das
políticas do PDI no contexto dos cursos da UNIFEI:

• Objetivos do PDI

– Qualidade Acadêmica: As políticas do PDI visam garantir a excelência acadêmica, promovendo

a formação de profissionais competentes e éticos.
– Inclusão e Acessibilidade: O PDI enfatiza a importância de políticas de inclusão, buscando
atender a grupos historicamente marginalizados e garantindo acessibilidade a todos os alunos.

• Desenvolvimento Curricular

– Revisão e Atualização de Currículos: Os cursos devem passar por revisões periódicas para se
manterem atualizados em relação às demandas do mercado de trabalho e às inovações na área
de conhecimento.
– Integração de Conhecimentos: O PDI propõe a integração entre teoria e prática, incentivando
a realização de estágios e atividades práticas que complementem a formação teórica.

• Formação e Capacitação de Docentes

– Programas de Capacitação: O PDI inclui ações voltadas para a formação continuada dos
docentes, visando melhorar as metodologias de ensino e a abordagem pedagógica.
– Avaliação de Desempenho: A avaliação do desempenho docente é uma prática constante, com
feedbacks que visam a melhoria contínua da qualidade do ensino.

• Gestão de Recursos e Infraestrutura

– Investimentos em Infraestrutura: O PDI prevê investimentos em laboratórios, bibliotecas e

outros recursos que suportem a formação dos alunos.
– Gestão Eficiente: A gestão dos recursos deve ser feita de maneira eficiente, assegurando que
os alunos tenham acesso a condições adequadas para o aprendizado.

• Avaliação e Monitoramento

– Avaliações Periódicas: O PDI estabelece que os cursos devem ser avaliados regularmente,
utilizando indicadores de desempenho que permitam monitorar a qualidade do ensino e a
satisfação dos alunos.
– Feedback dos Alunos: A coleta de feedback dos alunos é incentivada, permitindo que a insti-
tuição identifique áreas que necessitam de melhorias.

• Promoção da Pesquisa e Extensão

28
 29

– Integração entre Ensino, Pesquisa e Extensão: O PDI promove a relação entre ensino, pesquisa
e extensão, incentivando que os alunos participem de projetos de pesquisa e atividades de
extensão que complementem sua formação.
– Financiamento de Projetos: A UNIFEI busca recursos para financiar projetos de pesquisa e
extensão, promovendo a inovação e o desenvolvimento social.

A implementação das políticas institucionais do PDI da UNIFEI no âmbito dos cursos é essencial
para garantir uma formação de qualidade, alinhada às necessidades da sociedade e do mercado de trabalho.
Essas políticas não apenas promovem a excelência acadêmica, mas também asseguram que a universidade
cumpra sua função social, contribuindo para a formação de cidadãos críticos e preparados para enfrentar
os desafios contemporâneos.
16

RECURSOS

16.1 Corpo docente e técnico

O corpo docente da UNIFEI é constituído por 502 professores, dos quais 457 são doutores (91%) e 389
servidores técnico-administrativos em educação.

O Instituto de Engenharia de Produção e Gestão (IEPG), localizado no campus de Itajubá, que

irá abrigar o curso de Ciência de Dados Aplicada, possui um corpo docente formado por 51 professores,
dos quais 48 são doutores (94%). Para este novo curso será necessária a contratação de 14 (quatorze)
novos docentes por meio de concurso público, de modo a atender a toda a sua grade curricular com
novas disciplinas. As contratações são programadas para ingresso dos novos docentes considerando a
implantação do curso:

• Início do curso: 4 docentes

• Primeiro ano após o início: 4 docentes
• Segundo ano após o início: 3 docentes
• Terceiro ano após o início: 3 docentes

16.2 Apoio pedagógico

O apoio pedagógico se dará em quatro frentes distintas:

• Biblioteca física: Biblioteca Mauá (campus Itajubá). Além da biblioteca virtual de livros eletrônicos
(Pearson, em português e inglês), Cengage Learning, acesso às Normas da ABNT e acesso ao Portal
de Periódicos da Capes.
• Maker space: onde os alunos podem prototipar suas ideias, em projetos de “mão na massa”.
• Laboratórios: Inovação de Produtos e Inteligência Artificial, onde os alunos podem praticar o
conteúdo visto em sala de aula, que ficam no prédio do grupo de pesquisa do Núcleo de Otimização
da Manufatura e Tecnologia da Inovação (NOMATI). Esse prédio e os laboratórios entram como
contrapartida da UNIFEI para a realização do novo curso.
• Prédio do Centro de Empreendedorismo: o prédio foi construído e inaugurado no final de 2024
com recursos do Governo do Estado de Minas Gerais e ainda não foi ocupado. Possui uma área
de aproximadamente 5.000 m2 e o curso e seus diferenciais acadêmicos e extensionistas serão re-
alizados nesse local, inclusive os novos professores contratados terão seus gabinetes no prédio, que
acomodará novos laboratórios para uso pelos alunos do curso e com a comunidade do município, em
especial, alunos dos cursos fundamental II e médio das escolas públicas estaduais e municipais, que
irão interagir com os projetos de competição tecnológica, empresas juniores, alunos de graduação,
visando melhorar a formação desses jovens e já familiarizá-los com o ambiente universitário, de
modo que tenham em seus planos fazer um curso superior, em especial, o novo curso de Ciência

30
16.3. APOIO AOS DISCENTES 31

de Dados Aplicada (ou outro curso oferecido pela UNIFEI). Essa será mais uma contrapartida da
UNIFEI para a realização do novo curso.

16.3 Apoio aos discentes

A UNIFEI possui programa de iniciação científica que conta com cotas de bolsas do PIBIC/CNPq, do
PIBIC/FAPEMIG, além de bolsas da própria instituição.

A Universidade possui, ainda, 10 (dez) programas PETs/CAPES em atividade, além de Empresas

Juniores e vários projetos de competição tecnológica. Dois desses programas PET são de cursos de
graduação do IEPG e atuam com empreendedorismo e inovação. Além deles, o IEPG conta com uma
empresa júnior dos cursos de Engenharia de Produção, Administração e Design (futuramente, os discentes
do curso de Ciência de Dados Aplicada irão poder fazer parte dessa empresa júnior, uma das maiores da
Universidade em termos de faturamento por conta dos serviços prestados).

Essa gama toda de atividades extracurriculares pode ser disponibilizada também para os discentes
do Curso de Engenharia em Transformação Digital, propiciando uma formação bastante diversificada,
propiciando ao discente oportunidades de praticarem o conteúdo aprendido em sala de aula em diversos
projetos de competição ou extensão tecnológica. Some-se a isso tudo o Centro de Empreendedorismo
UNIFEI (CEU) do campus de Itajubá que, juntamente com a incubadora de empresas de base tecnológ-
ica localizada dentro do campus de Itajubá, proporcionam ambientes favoráveis ao desenvolvimento das
habilidades para empreender, essenciais para o sucesso do curso, uma vez que os discentes podem de-
senvolver soluções para empresas e para o mercado, estas últimas na forma de abertura de startups que
serão concebidas no Centro de Empreendedorismo e, posteriormente, incubadas na Incubadora de Base
Tecnológica de Itajubá (INCIT), uma das maiores incubadoras de Minas Gerais, com prêmios nacionais
recebidos por seus resultados.

16.4 Cooperações e parcerias

A UNIFEI mantém cooperação ativa com aproximadamente 80 instituições universitárias estrangeiras,

distribuídas em 22 países da Europa, América do Norte, América do Sul, América Central, Ásia e África,
ampliando oportunidades de internacionalização, mobilidade acadêmica e participação em projetos mul-
tidisciplinares de alto impacto. A tradição centenária da UNIFEI em engenharias, aliada ao histórico de
parcerias com grandes empresas como Petrobras,

Vale, Cemig, Embraer e diversas indústrias de base tecnológica, cria um ecossistema ideal para
projetos reais, estágios, pesquisa aplicada e desenvolvimento de soluções. Além disso, o município de
Itajubá conta atualmente com um robusto ecossistema de inovação, denominado de Itajubá Hardtech,
premiado em 2023 como o melhor ecossistema de inovação para cidades de médio porte (CNI/SEBRAE).
Esse ecossistema possui diversas demandas que os alunos do novo curso podem atender, melhorando sua
formação acadêmica, no formato hands-on.

O curso de Ciência de Dados Aplicada será naturalmente integrado às atividades do IEPG e

NOMATI, possibilitando vivência prática em pesquisa aplicada, inovação aberta, desenvolvimento de
produtos e participação em desafios industriais. Essas cooperações fortalecem a formação do estudante e
garantem que o curso se mantenha conectado às demandas reais da Indústria 4.0 e dos setores emergentes.
17

ESTRUTURA CURRICULAR

A estrutura curricular do Bacharelado em Ciência de Dados Aplicada foi organizada de forma a garantir
a formação integral do estudante, combinando fundamentos teóricos, habilidades práticas aplicadas a
uma trilha de conhecimento. O curso possui 8 períodos, com carga horária total aproximada de 3.870
[Link] (3.225 [Link]ógio), conforme normas institucionais da UNIFEI. Todas as disciplinas são
organizadas a partir de três eixos formativos que se articulam ao longo dos semestres, permitindo ao
estudante avançar de fundamentos conceituais para aplicações especializadas:

1. Núcleo de Conteúdos Básicos e Técnicos

Compreende as disciplinas fundamentais de matemática, estatística, computação, ciência de da-

dos, engenharia de dados e machine learning. Abrange todas as disciplinas obrigatórias ofertadas entre
o primeiro e o sexto semestre, e fornece a base conceitual e prática sobre a qual se estruturam as trilhas
aplicadas e os projetos integradores. Esse núcleo consolida as competências analíticas, computacionais e
metodológicas essenciais ao cientista de dados.

2. Disciplinas Aplicadas às Trilhas Temáticas

O curso oferece três trilhas de especialização — Saúde, Esporte e Gestão — nas quais os estu-
dantes aplicam os conhecimentos básicos e técnicos a contextos reais. As trilhas incluem:

• Componentes obrigatórios vinculados aos Projetos Integradores (PI 1 no quarto semestre e PI 2 no

sexto semestre), nos quais problemas reais das trilhas são estruturados e solucionados.

• Componentes optativos, cursados a partir do sexto semestre, dos quais o estudante deve cumprir no
mínimo 12 horas-aula em três disciplinas, completando uma trilha com cinco disciplinas aplicadas
ao tema escolhido.

Esse eixo promove a contextualização prática dos conteúdos técnicos, o desenvolvimento de

soluções orientadas por dados e a formação por áreas de interesse.

3. Disciplinas Complementares de Gestão

Reúne componentes obrigatórios voltados à formação em gestão empresarial, gestão da produção

e inovação, essenciais para profissionais que atuarão na interface entre análise de dados, processos orga-
nizacionais e decisões estratégicas. São componentes deste eixo: Gestão Ágil de Projetos, Planejamento
e Controle da Produção, Indústria 4.0, Engenharia da Qualidade, Engenharia Econômica e Criação de
Negócio.

Essas disciplinas são ofertadas entre o primeiro e o sexto semestre e visam desenvolver competên-
cias gerenciais necessárias para a viabilização de soluções, produtos, startups e aplicações resultantes dos
conteúdos técnicos e das trilhas.

32
Semestre 1 CH Semestre 2 CH Semestre 3 CH Semestre 4 CH Semestre 5 CH Semestre 6 CH Semestre 7 CH Semestre 8 CH
Cálculo A 4 Cálculo B 4 Cálculo C 4 Projeto 6 Estatística 3 Projeto 6 TCC 1 - TCC 2 -
Integrador 1 Multivariada Integrador 2
Análise 3 Álgebra 3 Otimização 1 3 Otimização 2 3 Automação 4 Engenharia 3 Engenharia 3 Estágio Su- -
Exploratória Linear Com- Low-Code e Econômica da Qualidade pervisionado
de Dados putacional Integração de
Dados
Probabilidade 3 Inferência 2 Machine 3 Machine 3 Machine 2 Metaheuristicas 3 Agentes de IA 3 - -
e Estatística Estatística Learning 1 Learning 2 Learning 3
Introdução a 3 Estrutura de 3 Engenharia 2 Análise e Pro- 3 Análise e Pro- 3 Disciplinas 3 Disciplinas 3 - -
Ciência de Dados e de Dados cessamento cessamento Optativas Optativas
Dados Algoritmos de Sinais 1 de Sinais 2 (Trilhas do (Trilhas do
Curso) Curso)
Programação 3 Programação 3 Engenharia 3 Computação 3 Big Data e 3 Disciplinas 3 Disciplinas 3 - -
1 2 de Software em Núvem Processa- Optativas Optativas
mento (Trilhas do (Trilhas do
Distribuído Curso) Curso)
Engenharia 3 Visualização 3 Banco de 2 Banco de 3 Ética e 3 Projeto e 3 Disciplinas 3 - -
da Transfor- de Dados Dados 1 Dados 2 Governança Análise de Optativas
mação Digital de Dados Experimentos (Gerais)
- - Técnicas de 2 Gestão Ágil 2 Séries 3 Modelos em 3 Visão Com- 3 - - - -
Amostragem de Projetos Temporais Painel e putacional
Instrumentos

33
34 17. ESTRUTURA CURRICULAR

Considerando os 8 semestres previstos para o curso, o currículo compreende 3.870 [Link]

(3.225 [Link]ógio). Toda sua estrutura foi projetado de forma a balancear as várias unidades de
estudo. A previsão é de haver entre 6 e 7 disciplinas por semestre.

Com a finalidade de fortalecer a integração do estudante com os temas característicos da Admin-

istração e da Engenharia de Produção — áreas estruturantes do Instituto de Engenharia de Produção e
Gestão (IEPG) — o curso adota como optativas todas as disciplinas optativas ofertadas pelos cursos de
Administração e Engenharia de Produção. Além disso, no sétimo semestre o estudante deverá obrigato-
riamente cursar ao menos uma disciplina optativa que não pertença às trilhas temáticas. Essa diretriz
amplia sua vivência acadêmica para além do eixo técnico, estimula a transversalidade entre os cursos do
instituto e promove uma formação interdisciplinar e aplicada, alinhada às demandas contemporâneas de
profissionais capazes de articular conhecimentos de dados, gestão e processos organizacionais.

17.1 Projeto Integrador

Os projetos integradores têm como foco a aplicação prática dos conhecimentos adquiridos ao longo do
curso, promovendo a interdisciplinaridade e preparando os alunos para os desafios do mercado de trabalho.
A participação em projetos reais também estimula o desenvolvimento de habilidades como trabalho em
equipe, comunicação e resolução de problemas. Em ambas as disciplinas, os projetos são voltados ao
desenvolvimento de atividades de extensão, o que demonstra a preocupação do PPC em introduzir de
forma estruturada a extensão universitária na grade curricular, reforçando seu caráter formativo, social
e aplicado.

• Projeto Integrador 1 - Análise de dados em tempo real: Esta disciplina tem por finali-
dade desenvolver um sistema que permita a coleta, análise e visualização de dados em tempo real,
aplicando técnicas de ciência de dados e machine learning.

– Estrutura do Projeto:
– Introdução: Contextualização do problema a ser resolvido e importância da análise de dados
em tempo real em setores escolhidos pelos alunos de acordo com as trilhas de aprendizagem.
– Coleta de Dados: Definição das fontes de dados (APIs, sensores, bancos de dados).
– Processamento de Dados: Utilização de ferramentas como Python, R ou plataformas como
Apache Kafka para o processamento em tempo real.
– Modelagem: Aplicação de algoritmos de machine learning para prever tendências ou compor-
tamentos.
– Implementação: desenvolvimento do sistema de coleta e análise; criação de dashboards inter-
ativos utilizando ferramentas como Tableau ou Power BI.
– Resultados Esperados: relatório detalhando a eficiência do sistema e visualizações que demon-
strem insights obtidos a partir dos dados analisados.
– Conclusão: reflexão sobre o aprendizado e a aplicabilidade do projeto no mercado de trabalho.
– Apresentação: apresentação oral do projeto para a turma e professores, com demonstração
prática do sistema desenvolvido.

• Projeto Integrador 2 - Soluções de Machine Learning: Esta disciplina tem por objetivo
criar uma solução que utilize machine learning para abordar um problema real específico da trilha
de aprendizagem.
17.2. TRABALHO DE CONCLUSÃO DE CURSO 35

– Estrutura do Projeto:
– Introdução: Identificação, justificativa e relevância do problema a ser abordado.
– Metodologia:
– Pesquisa e Levantamento de Dados: Coleta de dados relevantes (ex: dados de saúde, índices
de criminalidade).
– Análise Exploratória: Uso de técnicas de visualização para entender os dados.
– Desenvolvimento do Modelo: Escolha do algoritmo apropriado (ex: regressão, classificação) e
treinamento do modelo.
– Implementação: criação de um protótipo da solução, como um aplicativo ou uma plataforma
web com integração do modelo de machine learning na solução proposta.
– Resultados Esperados: avaliação do modelo com métricas apropriadas (ex: precisão, recall) e
impacto esperado da solução no problema social identificado.
– Conclusão: discussão sobre os desafios enfrentados durante o desenvolvimento e possíveis mel-
horias.
– Apresentação: apresentação do projeto, destacando a importância da ciência de dados na
solução de problemas sociais e a eficácia da solução proposta.

17.2 Trabalho de Conclusão de Curso

O Trabalho de Conclusão de Curso (TCC) é uma etapa fundamental na formação dos alunos da Univer-
sidade Federal de Itajubá (UNIFEI). Ele representa a culminação do aprendizado e a aplicação prática
dos conhecimentos adquiridos ao longo do curso. A seguir, são apresentados os principais aspectos rela-
cionados ao TCC na UNIFEI:

1. Objetivo do TCC

• Integração do Conhecimento: O TCC visa integrar os conhecimentos teóricos e práticos adquiridos

durante o curso, permitindo que os alunos demonstrem sua capacidade de pesquisa, análise e síntese.
• Desenvolvimento de Competências: Os alunos desenvolvem competências essenciais, como pesquisa,
escrita acadêmica, apresentação oral e trabalho em equipe.

O Trabalho de Conclusão de Curso (TCC) segue as normas para Trabalho de Conclusão de Curso
publicadas no Anexo C da Norma de Graduação alterada pelo CEPEAd em 12/12/2018.

No que se refere às regras específicas das componentes curriculares TCC1 e TCC2, este documento
estabelece:

• O período de matrícula no componente curricular TCC é de até 15 dias após o início das aulas
estabelecido no calendário acadêmico do semestre.
• As modalidades de trabalhos aceitos são monografia ou artigo.
• Os formatos dos trabalhos aceitos são: (i) para monografias o modelo ABNT e (ii) para artigos
nos modelos da SBC ou dos periódicos IEEE. Caso o artigo já tenha sido aprovado e publicado em
revistas/eventos com Qualis, ele poderá ser entregue no formato da publicação.
36 17. ESTRUTURA CURRICULAR

• Os trabalhos do TCC1 serão apresentados a uma banca examinadora. O documento apresentado

à banca deverá conter, pelo menos: (i) os objetivos, (i) revisão bibliografia e/ou fundamentação
teórica, (iii) descrição da metodologia de pesquisa e (iv) cronograma para o TCC2.
• As bancas examinadoras do TCC1 e TCC2 serão compostas por dois examinadores e pelo professor
orientador, sendo os examinadores escolhidos pelo orientador e aluno.
• A validação de Trabalhos de Conclusão de Curso externos é realizada pelo Colegiado do Curso.
• Trabalhos de conclusão de curso com publicações segundo classificação Capes com Qualis nas áreas
de Engenharia ou Computação, cujos autores sejam limitados ao discente orientado do TCC e
aos orientadores, são aceitos como TCC, dispensando a banca examinadora no TCC1 e TCC2.
A validação da área da publicação deverá ser realizada pelo Colegiado do Curso. Neste caso, o
discente, para ser dispensado da banca examinadora, deve ser o primeiro autor do artigo. Entende-
se como orientadores os outros autores que exercem a função de docência ou possuem experiência
reconhecida na área do trabalho.
• O Trabalho de conclusão de curso será desenvolvido individualmente.

17.3 Atividades de extensão

As diretrizes de extensão da Unifei são alinhadas com sua missão no que se refere a promover a integração
entre ensino, pesquisa e extensão. Estando em conformidade com a Lei de Diretrizes e Bases da Educação
Nacional (LDB) e as resoluções do Conselho Nacional de Educação (CNE), que orientam a prática da
extensão universitária como uma função essencial das instituições de ensino.

Assim a norma para curricularização das atividades de extensão da Unifei define que Extensão na
Educação Superior Brasileira é a atividade que se integra à matriz curricular e à organização da pesquisa,
constituindo-se em processo interdisciplinar, político, educacional, cultural, científico, tecnológico, que
promove a interação transformadora entre as instituições de ensino superior e os outros setores da so-
ciedade, por meio da produção e da aplicação do conhecimento, em articulação permanente com o ensino
e a pesquisa.

As atividades de extensão na Unifei deverão compor, no mínimo, 10% (dez por cento) do total
da carga horária curricular de cada curso de graduação, as quais farão parte das matrizes curriculares
dos cursos e deverão estar descritas em seus Projetos Pedagógicos.

Para efeitos de caracterização nos Projetos Pedagógicos dos Cursos de Graduação da Unifei, as
atividades de extensão devem se inserir nas modalidades:

• Programa: é um conjunto de atividades integradas, de médio e longo prazo, orientadas a um objetivo

comum e que visam à articulação de projetos e outras atividades de extensão, cujas diretrizes e
escopo de interação com a sociedade integram-se às linhas de ensino e pesquisa desenvolvidas pela
UNIFEI, nos termos do Regimento Geral e do Plano de Desenvolvimento Institucional 2019-2023;
• Projeto: é a ação de caráter educativo, social, cultural, científico, tecnológico ou de inovação tec-
nológica, com objetivo específico e prazo determinado, vinculado ou não a um programa;
• Curso/oficina: é um conjunto articulado de atividades pedagógicas, de caráter teórico e/ou prático,
nas modalidades presencial ou a distância, seja para a formação continuada, aperfeiçoamento ou
disseminação do conhecimento, planejado, organizado e avaliado de modo sistemático, com carga
horária e critérios de avaliação bem definidos;
• Evento: é a ação de curta duração que implica a apresentação e/ou exibição pública, livre ou com
clientela específica do conhecimento ou produto cultural, artístico, esportivo, científico e tecnológico
17.4. TRILHAS DE APRENDIZAGEM 37

desenvolvido, conservado ou reconhecido pela UNIFEI;

• Prestação de serviços: refere-se ao estudo e à solução de problemas dos meios profissional ou social
e ao desenvolvimento de novas abordagens pedagógicas e de pesquisa, bem como a transferência de
conhecimentos e tecnologia à sociedade.

No contexto do presente curso, as atividades de extensão serão incorporadas de forma estruturada

e integrada ao percurso formativo dos estudantes, garantindo que a prática extensionista não seja tratada
apenas como um componente isolado, mas como um eixo articulador entre conhecimento acadêmico, apli-
cação prática e impacto social. Para isso, o curso promoverá projetos e ações que envolvam diretamente
comunidades, empresas, instituições públicas e organizações sociais, permitindo que os alunos utilizem
ferramentas de ciência de dados, inteligência artificial, engenharia de dados e análise estatística para
resolver problemas reais. Dessa forma, a extensão assumirá papel ativo na formação profissional, estimu-
lando o desenvolvimento de competências como comunicação, trabalho em equipe, ética, responsabilidade
socioambiental, visão sistêmica e inovação tecnológica.

Além disso, as atividades de extensão serão distribuídas ao longo dos semestres, podendo ser vin-
culadas tanto a disciplinas específicas quanto a projetos integradores, estágios e ações extracurriculares
reconhecidas pela coordenação do curso. Serão incentivadas variadas modalidades, como cursos de capac-
itação para a comunidade, desenvolvimento de soluções tecnológicas em parceria com setores produtivos,
participação em eventos científicos e tecnológicos, consultorias orientadas, além da atuação em programas
institucionais de apoio ao ensino e à inovação. Essa abordagem permitirá que os estudantes vivenciem
a universidade como agente transformador da sociedade, fortalecendo a indissociabilidade entre ensino,
pesquisa e extensão, e garantindo o cumprimento das diretrizes da Unifei e da legislação nacional sobre
curricularização da extensão.

17.4 Trilhas de Aprendizagem

As trilhas de aprendizagem constituem um eixo formativo que permite ao estudante direcionar sua tra-
jetória acadêmica conforme seus interesses profissionais e áreas de afinidade. No curso de Ciência de Dados
Aplicada, as trilhas representam percursos temáticos estruturados que articulam a aplicação prática dos
conteúdos técnicos aprendidos nos primeiros semestres a contextos reais de atuação. São ofertadas três
trilhas: Saúde, Esporte e Gestão. Cada trilha tematiza um conjunto de desafios contemporâneos nesses
setores, permitindo que o aluno compreenda fenômenos, estruturas, processos e métricas próprias de cada
domínio.

Na trilha Saúde, o foco recai sobre dados biomédicos, sistemas assistenciais e aplicações preditivas
voltadas ao cuidado e à gestão hospitalar.

DISCIPLINAS CH
Data Analytics Aplicado à Saúde 48
Machine Learning e Padrões em Saúde 48
Análise de Imagens Médicas com IA 48
Tópicos Especiais: Fontes de Dados da Saúde 48

A trilha Esporte explora análises de desempenho, biomecânica, monitoração de atletas e soluções

baseadas em dados para ciência do movimento.
38 17. ESTRUTURA CURRICULAR

DISCIPLINAS CH
Data Analytics Aplicado ao Esporte 48
Machine Learning para Precificação de Atletas 48
Machine Learning para Carga de Treino e Prevenção de Lesões 48
Scouting com Machine Learning 48
Tópicos Especiais: Fontes de Dados no Esporte 48
Tópicos Especiais: Visualização de Dados no Esporte 48

Já a trilha Gestão enfatiza processos organizacionais, tomada de decisão, otimização de recursos

e soluções analíticas aplicadas a ambientes corporativos e públicos.

DISCIPLINAS CH
Data Analytics Aplicado à Gestão 48
Ciência de Dados para Gestão de Portfólios 48
Ciência de Dados para Análise de Conjuntura Macroeconômica 48
Tópicos Especiais: Machine Learning para Marketing 48
Tópicos Especiais: Fontes de Dados Econômicos 48
Tópicos Especiais: Econometria 48

A criação das trilhas de Saúde, Esporte e Gestão responde diretamente às transformações estrutu-
rais observadas nos setores produtivos e sociais, nos quais a análise de dados passou a desempenhar papel
central na tomada de decisão, na eficiência operacional e na inovação. A área da Saúde demanda cada
vez mais profissionais capazes de lidar com grandes volumes de dados, modelagem preditiva e soluções
tecnológicas aplicadas ao cuidado, gestão assistencial e avaliação de desempenho de sistemas. O Esporte,
por sua vez, tornou-se um campo altamente orientado por métricas, algoritmos e análises de performance,
exigindo competências em monitoramento de atletas, análise de jogo e desenvolvimento de estratégias
baseadas em evidências. Já a trilha de Gestão acompanha o movimento de integração entre ciência
de dados, negócios e processos organizacionais, permitindo que o estudante compreenda fenômenos cor-
porativos, desenvolva soluções analíticas e participe de processos de tomada de decisão orientados por
dados.

Assim, as três trilhas foram concebidas para conectar os conteúdos técnicos do curso a áreas reais
de aplicação, proporcionando ao estudante uma formação interdisciplinar, prática e alinhada às demandas
contemporâneas. Elas ampliam a capacidade de atuação do futuro egresso, permitem o desenvolvimento
aprofundado de competências específicas e reforçam o compromisso do curso com uma formação orientada
a problemas, evidências e resultados.

Adicionalmente, ao escolher uma trilha, o estudante desenvolve a competência de aprender a

aprender, pois assume um papel ativo na construção de sua formação, selecionando temas, problemas e
métodos que dialogam com sua trajetória. Essa autonomia curricular reforça o caráter aplicado do curso,
uma vez que as disciplinas optativas das trilhas — distribuídas conforme cada itinerário — são orientadas
pela prática e voltadas à resolução de problemas reais. O estudante passa a articular teoria e prática
de forma progressiva, integrando fundamentos de ciência de dados com demandas concretas dos setores
escolhidos.

As trilhas também fortalecem a interdisciplinaridade, pois conectam conteúdos de estatística,

computação e engenharia de dados a saberes específicos de áreas como saúde, biomecânica, mercados,
análises de negócio e gestão pública. Dessa forma, o aluno desenvolve uma visão sistêmica e profission-
almente orientada.
17.5. EMENTÁRIO 39

A partir do sexto semestre, o estudante deve cursar as disciplinas optativas de trilha previstas
para completar seu percurso formativo, conforme a matriz curricular definida. A lista completa das
disciplinas optativas de cada trilha encontra-se apresentada a seguir, conforme planilha oficial da grade
curricular.

O percurso formativo das disciplinas optativas não se limita exclusivamente às trilhas temáticas.
Embora o estudante tenha a possibilidade de aprofundar-se em Saúde, Esporte ou Gestão, o currículo
prevê também o acesso a um conjunto ampliado de componentes optativos que abordam temas con-
temporâneos da área de Ciência de Dados, além de disciplinas ofertadas pelos cursos de Engenharia de
Produção e Administração. Essa abertura curricular fortalece a interdisciplinaridade e permite que o
discente explore diferentes perspectivas teóricas e aplicadas, ampliando sua formação para além do eixo
técnico e temático.

DISCIPLINAS CH
Data Analytics Aplicado à Energia 48
Computação Quântica para Machine Learning (Quantum AI) 48
Edge AI e Sistemas Embarcados Inteligentes 48
Quantificação de Incertezas em modelos de IA 48
IA Simbólica e Sistemas Baseados em Conhecimento 48
Aprendizado por Reforço Profundo Avançado 48
Todas as disciplinas dos cursos de engenharia de produção e administração -

Dessa forma, o curso incentiva trajetórias personalizadas, conectadas a interesses acadêmicos e

profissionais diversos, sem restringir o desenvolvimento formativo a um único itinerário.

17.5 EMENTÁRIO

17.5.1 Disciplinas Obrigatórias

A seguir são descritas o ementário das disciplinas obrigatórias do curso de Ciência de Dados Aplicada
por sementre.

Primeiro Semestre

• DISCIPLINA: Cálculo A.
– SIGLA: MAT00A.
– CH ([Link]): 64h.
– Funções, Limite e Continuidade, Derivada e Integral.
• DISCIPLINA: Análise Exploratória de Dados.
– SIGLA: CDA002.
– CH ([Link]): 48h.
– Fundamentos de análise exploratória. Tipos e estruturas de dados. Estatística descritiva.
Medidas de tendência central e dispersão. Distribuições de dados. Detecção de outliers. Visu-
alização de dados. Gráficos univariados e multivariados. Correlação e covariância. Transfor-
mações de dados. Padronização e normalização. Redução de dimensionalidade exploratória.
Tratamento de dados faltantes. Preparação e limpeza de dados. Boas práticas em análise
exploratória. Realização das análises em ambiente de programação.
40 17. ESTRUTURA CURRICULAR

• DISCIPLINA: Probabilidade e Estatística.

– SIGLA: IEPG03.
– CH ([Link]): 48h.
– Conceitos e definições estatísticas; Estatística descritiva; Cálculo de probabilidade; Dis-
tribuições de probabilidade para variáveis discretas; Distribuições de probabilidade para
variáveis contínuas; estimativa pontual e intervalar; Amostragem.

• DISCIPLINA: Introdução a Ciência de Dados.

– SIGLA: CDA001.
– CH ([Link]): 48h.
– Considerações preliminares; Definição da Ciência de Dados; Mercado de Ciência de Dados no
Brasil; Áreas da Ciência de Dados; Ética na Ciência de Dados.

• DISCIPLINA: Programação 1.

– SIGLA: CDA003.
– CH ([Link]): 48h.
– Fundamentos de programação. Variáveis e tipos de dados. Operadores aritméticos e lógi-
cos. Estruturas condicionais. Estruturas de repetição. Listas, tuplas e dicionários. Strings.
Funções. Modularização. Entrada e saída de dados. Tratamento de erros. Arquivos. Intro-
dução a algoritmos. Noções de complexidade. Bibliotecas básicas em linguagem de progra-
mação.

• DISCIPLINA: Engenharia da Transformação Digital.

– SIGLA: CDA004.
– CH ([Link]): 48h.
– As revoluções industriais e a digitalização; Sistemas ciber físicos; Internet das coisas e de
serviços; Automação e machine-to-machine; Inteligência artificial e Big Data; Núvem e Inte-
gração de sistemas; RFID; Realidade aumentada e virtual; Manufatura aditiva; Organização
e Trabalho.

Segundo Semestre

• DISCIPLINA: Cálculo B.

– SIGLA: MAT00B.
– CH ([Link]): 64h.
– Equações Paramétricas e Coordenadas Polares, Geometria Analítica, Funções Vetoriais,
Funções de Várias Variáveis e Derivadas Parciais.

• DISCIPLINA: Álgebra Linear Computacional.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Espaços Vetoriais. Bases e Dimensão. Espaços com produto interno. Transformações lineares.
Autovalores e autovetores. Aplicações à Geometria Analítica. Eliminação Gaussiana. Decom-
posição LU. Decomposição espectral. Decomposição SVD. Condicionamento. Decomposição
QR. Tópicos em análise numérica. Teoria dos Números. Criptografia básica.

• DISCIPLINA: Inferência Estatística.

17.5. EMENTÁRIO 41

– SIGLA: CDAXX.
– CH ([Link]): 32h.
– Teste de hipóteses; Conceito de Estimador; Conceito de Viés; Conceito Eficiência; Hetero-
cedasticidade, Autorrelação serial; Correlação linear e regressão; Regressão múltipla.

• DISCIPLINA: Estrutura de Dados e Algoritmos.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Tipos abstratos de dados. Listas, pilhas e filas. Árvores. Árvores binárias e árvores bal-
anceadas. Tabelas de dispersão (hash). Grafos. Algoritmos de busca. Algoritmos de or-
denação. Análise de complexidade. Notação Big-O. Recursão. Estratégias de projeto de
algoritmos. Divisão e conquista. Programação dinâmica. Algoritmos gulosos.

• DISCIPLINA: Programação 2.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Programação orientada a objetos. Classes e objetos. Encapsulamento, herança e polimor-
fismo. Manipulação avançada de estruturas de dados. Tratamento de exceções. Módulos e
pacotes. Programação funcional. Geradores e compreensões. Decoradores. Manipulação de
arquivos e diretórios. Expressões regulares. Testes automatizados. Introdução à concorrência
e paralelismo. Bibliotecas avançadas em Python. Boas práticas de desenvolvimento.

• DISCIPLINA: Visualização de Dados.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Visualização de dados para apoio à decisão, com foco prático em Power BI e complemento
por Tableau/Looker Studio/Grafana e Python (pandas/Plotly). Abrange princípios de design
e storytelling, escolha de gráficos, modelagem BI (fatos/dimensões), Power Query e DAX
para KPIs, conexão a fontes (Excel/SQL/APIs), atualização, publicação no Power BI Service,
governança e segurança (RLS).

• DISCIPLINA: Técnicas de Amostragem.

– SIGLA: CDAXX.
– CH ([Link]): 32h.
– Fundamentos e Amostragem Aleatória Simples (AAS); Uso de Variáveis Auxiliares e Estrati-
ficação; Amostragem por Conglomerados e em Múltiplos Estágios; Amostragem Sistemática;
Amostra por conveniência; Erro de medida; Bootstrapping; Conceito de experimentos e quasi-
experimentos (grid, hipercubo latino, sobol, outras).

Terceiro Semestre

• DISCIPLINA: Cálculo C.

– SIGLA: MAT00C.
– CH ([Link]): 64h.
– Integrais Múltiplas e Cálculo Vetorial.

• DISCIPLINA: Otimização 1.

– SIGLA: CDAXX.
42 17. ESTRUTURA CURRICULAR

– CH ([Link]): 48h.
– Introdução à Otimização; Técnicas Clássicas de Otimização; Otimização Linear: método Sim-
plex; Otimização não-linear unidimensional; Otimização não-linear irrestrita; Otimização não-
linear com restrições; Otimização estocástica; Aplicações em ciência de dados.
• DISCIPLINA: Machine Learning 1.
– SIGLA: EPOP17.
– CH ([Link]): 48h.
– Fundamentos de programação em Python, aprendizagem supervisionada (problemas de re-
gressão e classificação), não supervisionada; Técnicas de balanceamento; Métricas de validação
de modelos de regressão (MSE, RMSE, MAE, MAPE) e classificação (acurácia, sensibilidade,
especificidade, curva ROC, matriz de confusão); Técnicas de avaliação da capacidade de gener-
alização do modelo (validação cruzada); Análise descritiva, diagnóstica e preditiva; Linguagem
de apoio: Python.
• DISCIPLINA: Engenharia de Dados.
– SIGLA: CDAXX.
– CH ([Link]): 32h.
– Fundamentos de engenharia de dados; Arquiteturas e ecossistemas de dados; Integração e in-
gestão de dados; ETL e ELT; Construção e automação de pipelines de dados; Data lakes e data
warehouses em ambientes distribuídos e em nuvem; Processamento em lote e em fluxo; men-
sageria e streaming; Qualidade, governança, escalabilidade e tolerância a falhas; Observabili-
dade e monitoramento de pipelines; Desenvolvimento e implantação de workflows orientados
a dados.
• DISCIPLINA: Engenharia de Software.
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de engenharia de software. Processo de desenvolvimento de software. Análise e
especificação de requisitos. Modelagem de sistemas. UML. Arquitetura de software. Padrões
de projeto. Verificação e validação. Testes de software. Gestão de configuração. Integração
contínua. Metodologias ágeis. Gerenciamento de projetos de software. Qualidade de software.
Manutenção e evolução.
• DISCIPLINA: Banco de Dados 1.
– SIGLA: CDAXX.
– CH ([Link]): 32h.
– Fundamentos de bancos de dados. Modelagem de dados. Modelo entidade-relacionamento.
Esquemas conceitual, lógico e físico. Modelo relacional. Álgebra relacional. Linguagem SQL.
Criação e manipulação de tabelas. Consultas básicas e intermediárias. Integridade referencial.
Chaves primárias e estrangeiras. Normalização. Operações de inserção, atualização e exclusão.
Introdução a SGBDs.
• DISCIPLINA:
– SIGLA: EPOP10.
– CH ([Link]): 32h.
– Princípios do Agile e do Manifesto, comparação de frameworks (Scrum, Kanban, Lean, XP)
e escolha por contexto. Foca em papéis (PO, Scrum Master, equipe), colaboração com stake-
holders, visão e objetivos, backlog priorizado por valor/risco, histórias de usuário, estimativas
17.5. EMENTÁRIO 43

(Planning Poker) e planejamento de sprints com metas e DoR/DoD. Cerimônias (daily, plan-
ning, review, retro), métricas de fluxo e valor (lead/cycle time, velocidade, burn-down/up,
Cumulative Flow) e gestão visual com Kanban e políticas de WIP. Validação com usuários,
gestão de dependências, riscos e qualidade, governança ágil com OKRs e roadmaps, contratos
flexíveis e integração com produto/engenharia.

Quarto Semestre

• DISCIPLINA: Projeto Integrador 1.

– SIGLA: CDAXX.
– CH ([Link]): 64h.
– Concepção e implementação de um pipeline de dados em tempo real, cobrindo ingestão de
fontes como APIs e sensores, processamento com ferramentas de streaming, persistência em
camadas e visualização em dashboards. O curso aborda arquitetura de streaming, janelas e
agregações, modelagem de machine learning em, além de segurança, LGPD, observabilidade
e confiabilidade operacional. Os alunos desenvolvem um protótipo fim a fim com ingestão,
processamento, modelo e dashboard, produzem relatório técnico-executivo com métricas de
desempenho (latência, throughput, precisão) e insights, e realizam apresentação com demon-
stração do sistema e discussão de aplicabilidade no mercado.

• DISCIPLINA: Otimização 2.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Otimização multivariável. Métodos quasi-Newton multivariáveis. Região de confiança multi-
variável. Otimização multiobjetivo. Fronteira de Pareto. Métodos escalarizantes. Weighted
sum. -constraint. Análise de convergência, eficiência e métricas. Aplicações em ciência de
dados.

• DISCIPLINA: Machine Learning 2.

– SIGLA: EPOP18.
– CH ([Link]): 48h.
– Introdução a redes neurais e aprendizado profundo; Redes Neurais Convolucionais; Redes
Neurais Recorrentes; Autoencoders; Aprendizado por reforço; Modelos Grandes de Linguagem
(LLM’s); Linguagem de apoio: Python (TensorFlow).

• DISCIPLINA: Análise e Processamento de Sinais 1.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de sinais e sistemas. Sinais contínuos e discretos. Operações com sinais. Sistemas
lineares e invariantes no tempo. Convolução. Transformada de Fourier contínua e discreta.
Série de Fourier. Transformada Discreta de Fourier (DFT) e FFT. Filtragem no domínio do
tempo e da frequência. Amostragem e quantização. Transformada Z. Estabilidade e resposta
em frequência. Filtros digitais FIR e IIR. Deteção e extração de características. Processamento
estatístico de sinais. Aplicações em engenharia, computação e ciência de dados.

• DISCIPLINA: Computação em Nuvem.

– SIGLA: CDAXX.
44 17. ESTRUTURA CURRICULAR

– CH ([Link]): 48h.
– Fundamentos de computação em nuvem. Modelos de serviço: IaaS, PaaS e SaaS. Modelos de
implantação: nuvem pública, privada e híbrida. Virtualização. Contêineres e orquestração.
Armazenamento em nuvem. Redes e segurança na nuvem. Escalabilidade e balanceamento
de carga. Arquiteturas serverless. Microsserviços. Provisionamento e automação. Custos e
otimização de recursos. Principais provedores de nuvem. Boas práticas de operação e gover-
nança na nuvem.

• DISCIPLINA: Banco de Dados 2.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Modelos avançados de bancos de dados. Consultas SQL avançadas. Views. Índices. Triggers.
Procedures e funções armazenadas. Controle de transações. ACID. Concorrência e bloqueios.
Recuperação e logs. Otimização de consultas. Arquitetura interna de SGBDs. Particiona-
mento e replicação. Banco de dados NoSQL. Modelos chave-valor, documento, grafo e coluna.
Processamento distribuído de dados. Integração com aplicações. Segurança em bancos de
dados.

• DISCIPLINA: Séries Temporais.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– A Natureza da Previsão; Métodos de Alisamento Exponencial; Autocovariância e Autocorre-
lação; Processos estocásticos; Teste de raiz unitária; Modelagem Box-Jekins e Reinsel; GMM;
VAR; Causualidade de Granger e; exogeinidade; Modelos GARCH; Modelos não lineares.

Quinto Semestre

• DISCIPLINA: Estatística Multivariada.

– SIGLA: CDAXX.
– CH ([Link]): .
– Fundamentos de análise multivariada. Matrizes de variâncias e covariâncias. Distância de
Mahalanobis. Análise de componentes principais (PCA). Análise fatorial. Análise discrimi-
nante. Regressão multivariada. MANOVA. Análise de cluster. Métodos hierárquicos e não
hierárquicos. Análise de correspondência. Escalonamento multidimensional. Detecção de
outliers multivariados. Normalidade multivariada. Visualização de dados multivariados. Apli-
cações em ciência de dados.

• DISCIPLINA: Automação Low-Code e Integração de Dados.

– SIGLA: CDAXX.
– CH ([Link]): 64h.
– Fundamentos de automação digital. Workflows e integração de sistemas. Plataformas low-
code de automação. N8N: conceitos, nós e estruturas de fluxo. Conectores e integrações via
API. Webhooks. Autenticação e tokens. Manipulação de dados. Transformações e proces-
samento automatizado. Integração com serviços externos. Automação de tarefas repetitivas.
Orquestração de pipelines de dados. Monitoramento e logging de workflows. Boas práticas de
segurança e governança. Publicação e deploy de automações. Aplicações em ciência de dados.

• DISCIPLINA: Machine Learning 3.

17.5. EMENTÁRIO 45

– SIGLA: EPOP19.
– CH ([Link]): 32h.
– Desenvolvimento de um caso prático real, desde a análise descritiva e diagnóstica dos dados,
até a implementação por meio da aplicação de técnicas adequadas de Machine/deep Learning.

• DISCIPLINA: Análise e Processamento de Sinais 2.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Análise tempo-frequência. STFT. Espectrogramas. Wavelets contínuas e discretas. Filtros
digitais avançados. Projeto e implementação de filtros FIR e IIR. Filtros adaptativos. LMS
e RLS. Modelagem AR, MA e ARMA. Estimação espectral paramétrica e não paramétrica.
Processamento de sinais não estacionários. Detecção e classificação de padrões em sinais.
Transformadas rápidas e otimizações. Processamento multicanais. Beamforming. Técnicas
de separação cega de fontes. ICA. Sinais em ambientes ruidosos. Técnicas de denoising.
Aplicações avançadas em engenharia, biomédica, comunicações e vibrações.

• DISCIPLINA: Big Data e Processamento Distribuído.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de Big Data. Arquiteturas distribuídas. Sistemas de arquivos distribuídos.
Hadoop e HDFS. MapReduce. Processamento em lote e em fluxo. Apache Spark. RDDs
e DataFrames. Otimização de jobs distribuídos. Sistemas de mensageria. Kafka. Pipelines
distribuídos. NoSQL e armazenamento escalável. Particionamento e replicação. Tolerância a
falhas. Consistência e modelos CAP. Escalabilidade horizontal. Monitoramento e observabili-
dade em sistemas distribuídos. Boas práticas de processamento distribuído em larga escala.

• DISCIPLINA: Ética e Governança de Dados.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de ética em tecnologia. Princípios de privacidade. Proteção de dados pessoais.
LGPD e legislações correlatas. Consentimento e bases legais. Governança de dados. Qualidade
e ciclo de vida dos dados. Segurança da informação. Riscos e impactos sociais da IA. Viés
algorítmico. Transparência e explicabilidade. Auditoria e conformidade. Responsabilidade
digital. Boas práticas de gestão e uso ético de dados.

• DISCIPLINA: Modelos em Painel e Instrumentos.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Seleção de variáveis e Estimadores de Matching; Variáveis Instrumentais e Seleção Não Ob-
servável; Modelos em Painel.

Sexto Semestre

• DISCIPLINA: Projeto Integrador 2.

– SIGLA: CDAXX.
– CH ([Link]): 64h.
46 17. ESTRUTURA CURRICULAR

– visa desenvolver uma solução de machine learning para um problema real em áreas como
saúde, educação e segurança. O projeto começa com uma introdução que justifica a relevância
do problema e segue com uma metodologia em etapas. Primeiro, realiza-se a pesquisa e
levantamento de dados relevantes. Em seguida, é feita uma análise exploratória para entender
os dados coletados. O desenvolvimento do modelo envolve a escolha do algoritmo apropriado
e o treinamento do modelo de machine learning. A implementação consiste na criação de
um protótipo, integrando o modelo em uma plataforma. Os resultados esperados incluem a
avaliação do modelo com métricas como precisão e recall, além de discutir o impacto da solução
no problema social.

• DISCIPLINA: Engenharia Econômica.

– SIGLA: IEPG10.
– CH ([Link]): 48h.
– Conceitos fundamentais sobre engenharia econômica; matemática financeira; análise de alter-
nativas de investimentos; técnicas de tomada de decisão (VPL, TIR, VA, Pay-Back); métodos
de depreciação; influência dos impostos sobre lucro; influência do financiamento com capital de
terceiros; demonstração de resultados de um projeto; fluxo de caixa livre do empreendimento
e do empreendedor; análise de risco e incerteza na avaliação de projetos.

• DISCIPLINA: Metaheuristicas.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos da otimização evolucionária, complexidade de problemas mono e multiobjetivos,
natureza e otimização, algoritmos inspirados em evolucionismo, algoritmos inspirados em enx-
ames, algoritmos inspirados em fenômenos físicos, otimização de hiperparâmetros, aplicações
em ciência de dados.

• DISCIPLINA: Projeto e Análise de Experimentos.

– SIGLA: EP7001.
– CH ([Link]): 48h.
– Testes de Hipótese; ANOVA; Regressão; Método dos Mínimos Quadrados Ordinários; Arranjos
Fatoriais Completos; Arranjos Fatoriais Fracionados; Confundimento e Resolução; Plackett-
Burman; Arranjos Ortogonais de Taguchi; Metodologia de Superfície de Resposta; Análise
de curvatura; Método do Vetor Gradiente; Arranjo composto central; Box-Behnken; Dopti-
mal designs; Convexidade de funções; Autovalores; Otimização Não-linear; Rotacionalidade;
Restrições de Espaço experimental; Restrição esférica; Restrição Elíptica; Otimização de múlti-
plas respostas; Otimização simultânea de média e variância

• DISCIPLINA: Visão Computacional.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de visão computacional. Formação de imagens. Representação digital de ima-
gens. Pré-processamento e filtragem espacial. Filtros no domínio da frequência. Detecção de
bordas e contornos. Segmentação de imagens. Morfologia matemática. Extração de carac-
terísticas. Descritores locais e globais. Correspondência de características. Reconhecimento
de padrões. Processamento de vídeo. Rastreamento de objetos. Calibração de câmeras.
Reconstrução 3D (introdução). Visão computacional clássica versus técnicas baseadas em
aprendizado profundo. Aplicações em ciência de dados.
17.5. EMENTÁRIO 47

Sétimo Semestre

• DISCIPLINA: Engenharia da Qualidade.

– SIGLA: EP6004.
– CH ([Link]): 48h.
– Tolerância; Média e Variância de Variáveis Aleatórias; Média e Variância de Funções de Var-
iáveis Aleatórias; Alocação de tolerância; Minimização dos custos de manufatura; Modelagem
de Funções de Custo; Regressão Não Linear; Múltiplas características da qualidade; Tolerân-
cia para relações não lineares entre componentes; Programação Não-linear; Multiplicadores
de Lagrange; Função Perda; Função NTB; Função STB; Função LTB; Projeto robusto; Ca-
pacidade de Processo; Índices de Capacidade de Processo para Variáveis (Cp, Cpk, Pp, Ppk,
Cpm); Índices de Capacidade de Processo para Atributos; Nível Sigma; Roadmap Six Sigmaő;
ANOVA para fatores fixos; ANOVA para fatores com níveis aleatórios; ANOVA para fatores
mistos; Análise de Sistemas de Medição; Estudos de R&R para variáveis; Estudo de R&R para
atributos; Linearidade; Erro Sistemático.

• DISCIPLINA: Agentes de IA.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos de agentes inteligentes. Arquiteturas de agentes. Agentes reativos, deliberativos
e híbridos. Agentes baseados em objetivos e utilidade. Modelagem de ambientes. Percepção e
atuação. Planejamento automático. Busca heurística. Raciocínio e tomada de decisão. Lógica
e inferência. Aprendizado por reforço. Políticas e funções de valor. Agentes multiagentes.
Comunicação e cooperação. Competição e jogos. Ética e segurança em agentes autônomos.
Aplicações práticas de agentes de IA.

17.5.2 Disciplinas Optativas das Trilhas

• DISCIPLINA: Data Analytics Aplicado à Saúde.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Estudo e aplicação de técnicas de análise de dados voltadas ao setor de saúde. Uso de bases
clínicas, hospitalares, epidemiológicas e administrativas. Métodos de análise exploratória,
integração e limpeza de dados em saúde. Modelagem estatística e aprendizado de máquina
para apoio ao diagnóstico, previsão de demanda, análise de risco e avaliação de desfechos.
Construção de dashboards, indicadores e ferramentas de apoio à decisão. Aplicações em saúde
pública, gestão hospitalar, vigilância epidemiológica e atenção primária. Desenvolvimento de
estudos de caso com dados reais do setor.

• DISCIPLINA: Machine Learning e Padrões em Saúde.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Conceitos e técnicas de aprendizado de máquina aplicados à detecção de padrões em dados
biomédicos, clínicos e epidemiológicos. Modelos supervisionados e não supervisionados para
análise de sinais vitais, séries temporais, registros eletrônicos de saúde e dados populacionais.
Métodos de seleção de atributos, avaliação de modelos e validação em cenários sensíveis. In-
terpretação de modelos de ML em saúde e princípios de explainable AI (XAI). Aplicações em
48 17. ESTRUTURA CURRICULAR

previsão de eventos adversos, estratificação de risco, reconhecimento de padrões fisiológicos e

apoio à decisão clínica.

• DISCIPLINA: Análise de Imagens Médicas com IA.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Estudo dos fundamentos, técnicas e modelos de inteligência artificial aplicados à análise de
imagens médicas. Processamento e pré-processamento de imagens radiológicas, tomográficas,
ultrassonográficas e de ressonância magnética. Redes neurais convolucionais (CNNs), seg-
mentação, detecção de anomalias e classificação de estruturas anatômicas. Uso de bancos de
imagens médicos, controle de qualidade e aspectos éticos na utilização de IA em diagnósticos
por imagem. Desenvolvimento de aplicações práticas e estudos de caso simulando fluxos de
diagnóstico assistido por computador.

• DISCIPLINA: Tópicos Especiais: Fontes de Dados da Saúde.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Exploração de diferentes ecossistemas e fontes de dados relacionados à saúde. Bases admin-
istrativas, epidemiológicas e clínicas: e-SUS, SIH/SUS, SIA/SUS, SINAN, SIM, CNES, ANS,
bancos de imagens médicos, sensores e dispositivos vestíveis. Estruturação de bases, padrões
de interoperabilidade e formatos de dados em saúde. Limitações, vieses e desafios de quali-
dade, privacidade e governança. Técnicas para integração, enriquecimento e análise de dados
provenientes de múltiplas fontes.

• DISCIPLINA: Data Analytics Aplicado ao Esporte.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Introdução à análise de dados esportivos e aos principais indicadores de desempenho coletivo
e individual. Estruturas de dados provenientes de jogos, treinamentos, sensores, wearables e
sistemas de rastreamento. Técnicas de análise exploratória, criação de métricas, construção
de dashboards esportivos e interpretação de indicadores táticos e físicos. Aplicações em mon-
itoramento de performance, análise de jogo, gestão esportiva e suporte à tomada de decisão
por comissão técnica e gestores.

• DISCIPLINA: Machine Learning para Precificação de Atletas.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Modelagem computacional aplicada à avaliação e precificação de atletas. Construção de bases
históricas de desempenho, variáveis de mercado e indicadores técnicos. Métodos de regressão,
modelos estatísticos e algoritmos de machine learning utilizados para estimar valor de mercado,
projeção de desempenho futuro e análise de risco. Técnicas de feature engineering específicas
para contexto esportivo. Avaliação de modelos e uso ético de algoritmos em decisões contratuais
e de investimento.

• DISCIPLINA: Machine Learning para Carga de Treino e Prevenção de Lesões.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
17.5. EMENTÁRIO 49

– Estudo de algoritmos de machine learning aplicados à modelagem de carga externa e interna

de atletas. Processamento de dados de GPS, acelerômetros, plataformas de força, sensores fisi-
ológicos e registros médicos. Identificação de padrões associados à sobrecarga, fadiga e risco de
lesão. Construção de modelos preditivos para otimização do planejamento de treinos, controle
de carga e redução de incidência de lesões. Discussão sobre validação, limiares, interpretação
prática dos modelos e recomendações para comissões técnicas.

• DISCIPLINA: Scouting com Machine Learning.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Aplicações de ciência de dados para scouting e tomada de decisão em captação de talen-
tos. Análise de dados técnicos, táticos, físicos e comportamentais. Modelos de classificação
e ranqueamento para identificação de atletas promissores. Técnicas de detecção de padrões,
análise de similaridade e clustering para perfis de jogadores. Uso de dados de múltiplas ligas,
competições e categorias de base. Construção de relatórios automatizados e integração de
algoritmos ao processo de avaliação de atletas.

• DISCIPLINA: Tópicos Especiais: Fontes de Dados no Esporte.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Mapeamento e exploração das principais fontes de dados esportivos. Dados de tracking, event
data, sensores vestíveis, plataformas de streaming, relatórios oficiais de competições e bancos
de dados públicos e privados. Estrutura, formatos e restrições das bases (CSV, JSON, APIs,
OPTA, Wyscout, Instat, Second Spectrum). Desafios de qualidade, padronização, interoper-
abilidade e privacidade. Integração e preparação de bases para uso em projetos de análise,
scouting ou machine learning.

• DISCIPLINA: Tópicos Especiais: Visualização de Dados no Esporte.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Princípios e técnicas de visualização aplicadas ao contexto esportivo. Construção de gráficos,
mapas de calor, passes, ações, pressões e modelos táticos usando ferramentas especializadas.
Visualização de séries temporais de carga, indicadores físicos e métricas de jogo. Design de
dashboards para comissões técnicas e gestores. Boas práticas de narrativa visual e comunicação
analítica com foco em tomada de decisão esportiva. Uso de templates e bibliotecas específicas
para dados esportivos.

• DISCIPLINA: Data Analytics Aplicado à Gestão.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Aplicação de técnicas de análise de dados em processos organizacionais. Estruturação de
indicadores-chave de desempenho (KPIs), análise exploratória de dados corporativos, criação
de dashboards gerenciais e apoio à tomada de decisão baseada em evidências. Uso de métricas
financeiras, operacionais, logísticas e de recursos humanos. Estudo de casos envolvendo efi-
ciência produtiva, desempenho de equipes, comportamento de clientes e melhoria de processos.

• DISCIPLINA: Ciência de Dados para Gestão de Portfólios.

– SIGLA: CDAXX.
50 17. ESTRUTURA CURRICULAR

– CH ([Link]): 48h.
– Análise e modelagem de portfólios corporativos e financeiros utilizando métodos quantitativos.
Construção de bases históricas, avaliação de risco, correlação entre ativos e otimização de
portfólios. Algoritmos para previsão de retornos, simulação de cenários e tomada de decisão
sob incerteza. Abordagem aplicada à gestão de produtos, projetos, investimentos e inovação,
integrando indicadores estratégicos e métricas quantitativas.

• DISCIPLINA: Ciência de Dados para Análise de Conjuntura Macroeconômica.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Aplicação de métodos quantitativos ao estudo da conjuntura econômica. Construção e in-
terpretação de séries temporais macroeconômicas (PIB, inflação, juros, emprego, comércio
exterior). Modelos de previsão, análise de ciclos, decomposição e simulação de cenários. Uso
de técnicas de machine learning para identificação de padrões macroeconômicos. Aplicações
em planejamento, políticas públicas, análise setorial e tomada de decisão estratégica.

• DISCIPLINA: Tópicos Especiais: Machine Learning para Marketing.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Introdução a modelos de aprendizado de máquina voltados ao comportamento do consumidor
e às estratégias de marketing. Segmentação de clientes, modelagem de churn, recomendação
de produtos e previsão de demanda. Análise de funis de conversão, lifetime value (LTV)
e otimização de campanhas. Aplicações práticas com dados de mercado, mídias digitais e
estratégias omnichannel.

• DISCIPLINA: Tópicos Especiais: Fontes de Dados Econômicos.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Exploração das principais bases de dados econômicos nacionais e internacionais. Indicadores
macro e microeconômicos: produção, preços, mercado de trabalho, finanças públicas, comércio
exterior, contas nacionais e crédito. Formatos, padrões e limitações das bases (IPEA, IBGE,
BACEN, B3, FMI, OCDE, OIT, ONU, entre outras). Técnicas de coleta, limpeza, integração
e análise crítica. Preparação de dados para modelagem econométrica e machine learning.

• DISCIPLINA: Tópicos Especiais: Econometria.

– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Fundamentos e aplicações de métodos econométricos em problemas reais de gestão e economia.
Modelos de regressão linear e extensões, diagnóstico e tratamento de violações de hipóteses.
Modelos para dados de painel, séries temporais e variáveis qualitativas. Estimação, inferência
e interpretação de parâmetros para suporte à tomada de decisão. Aplicações práticas em
mercado, políticas públicas, finanças e comportamento econômico.

17.5.3 Disciplinas Optativas Gerais

• DISCIPLINA: Data Analytics Aplicado à Energia.

– SIGLA: CDAXX.
17.5. EMENTÁRIO 51

– CH ([Link]): 48h.
– Estudo e aplicação de técnicas de análise de dados voltadas ao setor de energia. Exploração
de bases de dados energéticos, incluindo geração, transmissão, distribuição e consumo. Mod-
elagem estatística e aprendizado de máquina para previsão de demanda, detecção de perdas
não técnicas, análise de eficiência energética e avaliação de desempenho de sistemas elétricos.
• DISCIPLINA: Computação Quântica para Machine Learning (Quantum AI).
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Introdução aos fundamentos da computação quântica e seu uso em algoritmos de Machine
Learning. Qubits, portas quânticas, circuitos e operações fundamentais. Variational Quantum
Circuits (VQC), Quantum Neural Networks (QNNs), Quantum Kernel Methods, Quantum
PCA. Simulações e execução em hardware quântico. Aplicações emergentes em otimização,
previsão, criptografia e IA híbrida quântico-clássica.
• DISCIPLINA: Edge AI e Sistemas Embarcados Inteligentes.
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Desenvolvimento de modelos de IA otimizados para execução em dispositivos embarcados e
sistemas de baixa potência. Técnicas de quantização, poda, compressão, distilação e otimiza-
ção de modelos para hardware especializado. Integração com microcontroladores, sensores e
sistemas IoT. Aplicações em manufatura, saúde, automação e smart cities.
• DISCIPLINA: Quantificação de Incertezas em modelos de IA.
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Métodos estatísticos e computacionais para quantificação e propagação de incertezas em mod-
elos de Machine Learning e Deep Learning. Inferência Bayesiana, Deep Ensembles, Conformal
Prediction, calibragem de confiança e análise probabilística de modelos. Avaliação de risco em
aplicações críticas (indústria, saúde, energia). Implementação prática e análise de segurança
e confiabilidade de modelos.
• DISCIPLINA: IA Simbólica e Sistemas Baseados em Conhecimento.
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Estudo dos fundamentos da Inteligência Artificial Simbólica, raciocínio lógico, representação
de conhecimento e sistemas baseados em regras. Ontologias, raciocínio dedutivo, indutivo e ab-
dutivo. Métodos de busca simbólica, planejamento, provas automáticas e processamento sim-
bólico de linguagem. Integração entre IA simbólica e métodos conexionistas (Neuro-Symbolic
AI). Construção de sistemas especialistas modernos aplicados à indústria, saúde e engenharia.
• DISCIPLINA: Aprendizado por Reforço Profundo Avançado.
– SIGLA: CDAXX.
– CH ([Link]): 48h.
– Estudo aprofundado de Aprendizado por Reforço (RL) integrado a Deep Learning, com foco em
algoritmos de estado da arte. Métodos baseados em política, valor e modelos. Deep QLearn-
ing avançado, PPO, SAC, TD3, DDPG. Multi-Agent RL. Curvas de recompensa, estabilidade,
exploração e otimização. Aplicações em robótica, automação, economia computacional e sis-
temas industriais.
52 17. ESTRUTURA CURRICULAR