Fundamentos e paradigmas da Inteligência Artificial (IA). Ambiente Digital de Negócios. Complexidade nos Negócios. Aplicações de AI em Negócios. Métodos de busca para resolução de problemas. Heurística. Conhecimento e Raciocínio. Algorítimos de IA. Conceitos de aprendizado de máquina. Aplicações de IA: Processamento de Linguagens Naturais, Jogos, Robótica e Mineração de Dados. Inteligência Competitiva e Modelos de Negócios Digitais. Como Machine Learning e Big Data impulsionam a IA.

Introdução ao aprendizado de máquina. Técnicas (algoritmos) e ferramentas de Machine Learning e suas aplicações; Tipos de aprendizado. Paradigmas de aprendizado. Avaliação experimental de algoritmos de Aprendizado de Máquina e Inteligência Artificial. Algoritmos de Aprendizado de Máquina. Aplicações em problemas de natureza científica e tecnológica.

Introdução e visão geral do processo de machine learning. Principais aplicações. Algoritmos de aprendizado. Capacidade, overfitting e underfitting. Hiperparâmetros e validação. Visão geral de estatística e estimativas. Modelos supervisionados. Modelos não supervisionados. Método do gradiente descendente. Construindo o algoritmo e motivacionais

Compreender e aplicar os fundamentos da linguagem R em aplicações e scripts. Manipular dados utilizando os principais pacotes estatísticos e ferramentas de análise de dados. Criação de modelos estatísticos com programação. Manipulação de dados utilizando os principais pacotes estatísticos e ferramentas de análise de dados.

Arquitetura de Software: Conceito e Contextualização Histórica. O mercado de Software e seus impactos. Os Estilos Arquiteturais (pipes-and-filters, camadas, publish-subscribe, baseado em eventos, cliente-servidor, dentre outros). Análise da Relação Custo/Benefícios na diversidade dos requisitos arquitetônicos. A implicação de hardware no desenvolvimento de projetos de Software. Rastreabilidade de requisitos e arquitetura de software. Arquiteturas específicas de um domínio e linhas de produtos de software. Notações arquiteturais (ex., visões, representações e diagramas de componentes). Reutilização em nível arquitetural.

Conceito de Banco de Dados. Caracterização de Banco de Dados. Evolução Histórica. Tendências da Área. Projeto de Banco de Dados. Linguagem SQL: DDL, DML, restrições de integridade, visões, autorização de acesso. Modelo relacional: conceitos, restrições de integridade, álgebra relacional, cálculo relacional. Implementação de Modelo de Dados. Arquitetura e Sistema de Gerenciamento de Dados. Aspectos Operacionais de Banco de Dados: Transações, Concorrência, Recuperação, Integridade, Distribuição, Segurança. Banco de dados orientados a objetos. Data warehousing e data mining. Tecnologias Aplicadas.