|
Ministério da Educação UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO - CAMPUS DOIS VIZINHOS DEPARTAMENTO DE APOIO DOS CURSOS DE ESPECIALIZAÇÃO LATO-SENSU DO CAMPUS DOIS VIZINHOS |
|
|
EDITAL nº 10/2021 - DIRPPG/DIRGE-DV - vagas remanescentes
Diretoria de Pesquisa e Pós-Graduação - Campus Dois Vizinhos
CURSO DE ESPECIALIZAÇÃO EM TECNOLOGIA PYTHON PARA NEGÓCIOS
A Direção-Geral do Câmpus Dois Vizinhos, conjuntamente com a Diretoria de Pesquisa e Pós-Graduação, torna público que estão abertas as inscrições para o CURSO DE ESPECIALIZAÇÃO EM TECNOLOGIA PYTHON PARA NEGÓCIOS, nível Lato Sensu, para preenchimento de vagas remanescentes oriundas do Edital 002/2021-DIRPPG, cujo funcionamento foi aprovado pelo Conselho de Ensino, Pesquisa e Pós-Graduação da UTFPR - COPPG, conforme Resolução 08/2020, de acordo com o Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR, aprovado pela Resolução 35/2020 de 25 de setembro de 2020, do COPPG, e em concordância com a Resolução 01/2018 CNE/CES, obedecendo as seguintes condições:
I - FINALIDADE DO CURSO
O curso de Especialização em Tecnologia Python pra Negócios, na modalidade à distância, objetiva preparar profissionais especialistas para que possam atuar em serviços de (i) Desenvolvedor e Analista de software e Sistemas para WEB e/ou Desktop, (ii) Desenvolvedor de Produtos de software com Aprendizagem de Máquina, Detecção de Padrões e Processamento de Imagens, (iii) Desenvolvedor de Jogos e Aplicações de Computação Gráfica, (iv) Consultor e Gerente de Tecnologia de software para Negócios, (v) Gerente e Diretor de Inovação e Tecnologia, e (vi) Empreendedor no Mercado de Tecnologia da Informação.
Área de Conhecimento: Linguagens de Programação (1.03.03.01-4).
II - LOCAL DO CURSO
O curso será ministrado no Ambiente Virtual de Ensino e Aprendizagem (AVEA) Moodle Institucional da UTFPR. O curso de Especialização em Ciência de Dados será ambientado no Câmpus de Dois Vizinhos, situado à Estr. p/ Boa Esperança, km 04 - Zona Rural, Dois Vizinhos - PR, 85660-000.
III - DURAÇÃO, TURNO E HORÁRIO DE FUNCIONAMENTO DO CURSO
A carga horária total do curso é de 360 horas, sendo que as aulas são ministradas semanalmente por meio do AVEA Moodle Institucional da UTFPR. Utilizando este ambiente o docente de uma disciplina poderá disponibilizar: (i) material didático como apresentações e apostilas, (ii) vídeos curtos que descrevem os pontos principais do material didático disponibilizado, (iii) web conferências que serão gravadas e contarão com a participação virtual dos alunos, tirando dúvidas e discutindo o conteúdo das disciplinas, e (iv) procedimentos avaliativos.
IV - VAGAS
Para este processo seletivo serão ofertadas 25 vagas para ampla concorrência ao público. O número total de vagas poderá ser majorado, considerando-se as confirmações de matrículas dos alunos matriculados em primeira chamada. O número total de alunos pagantes matriculados não excederá o limite de 50 vagas. Sobre o número total de alunos matriculados a UTFPR se reserva o direito de acrescer vagas adicionais (10%) visando a capacitação de servidores, conforme política institucional da UTFPR.
V - DATAS PARA INSCRIÇÃO, CLASSIFICAÇÃO E MATRÍCULA
Período de Inscrição |
29/07/2021 a 02/08/2021 |
Resultado da classificação |
04/08/2021 |
Interposição de Recurso |
04/08/2021 a 11/08/2021 |
Período de Matrícula |
04/08/2021 a 12/08/2021 |
VI - CONDIÇÕES PARA INSCRIÇÃO
Os interessados em participar do processo de classificação deverão:
Efetuar a inscrição no site http://pos.funtefpr.org.br/
Efetuar o pagamento da taxa de inscrição no valor de R$ 35,00 (trinta e cinco reais).
Encaminhar através do site da inscrição, até o dia 02/08/2021 (último dia da inscrição), cópia dos seguintes documentos:
Documento de identidade e CPF;
Diploma ou certificado de conclusão do curso de graduação contendo a data de colação de grau do aluno;
Obs.: O certificado de conclusão é aceito apenas para inscrição e matrícula. Para fazer jus ao Certificado da Especialização, além de cumprir os requisitos acadêmicos do curso, o estudante deverá obrigatoriamente entregar cópia do Diploma de Graduação e apresentar o documento original para autenticação em até seis meses após o início das atividades letivas, sob pena de cancelamento da matrícula.
Histórico escolar do curso de graduação;
Curriculum Vitae;
Comprovante de Residência;
Para o candidato estrangeiro, poderá ser solicitada documentação complementar, após análise inicial. Os documentos necessários para esta situação serão requeridos pela secretaria do curso, em atendimento à legislação vigente;
Importante: A documentação apresentada pelos candidatos não aprovados deverá ser retirada em um prazo máximo de 30 dias após o término do processo de matrícula, sob pena de eliminação de tais documentos.
O candidato, ao se inscrever, aceita as condições constantes no presente edital, delas não podendo alegar desconhecimento.
O candidato deve armazenar o número do protocolo e código de acesso, gerados no momento da inscrição no sistema. Essas informações serão necessárias para acompanhar os processos de inscrição e classificação.
VII - CRONOGRAMA DE EXECUÇÃO DO CURSO
Início das atividades letivas |
07/08/2021 (aulas gravadas) |
Férias |
20/12/2021 a 09/01/2022 e 01/08/2022 a 07/08/2022 |
Reinício das atividades letivas |
10/01/2022 e 08/08/2022 |
Término das atividades letivas |
09/10/2022 |
Data limite para entrega do Trabalho de Conclusão de Curso |
06/02/2023 |
VIII - CRITÉRIOS PARA CLASSIFICAÇÃO
Os candidatos serão classificados por uma Comissão designada pelo Diretor Geral do Câmpus Dois Vizinhos, conforme Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR;
A classificação dos candidatos será feita até o número de vagas existentes na concorrência pública. Os demais comporão lista de espera para o caso de desistências.
A Seleção dos Candidatos será feita pelos seguintes critérios e obedecerá à seguinte prioridade
Histórico Escolar;
Curriculum-Vitae;
Idade mais avançada.
Os candidatos serão ranqueados em ordem decrescente de pontuação, segundo tabela a seguir:
Item |
Subitem |
Pontos por subitem |
Limite por subitem |
Limite do conjunto |
Livros e capítulos na área* |
Livro |
3 |
Não há |
25 |
Capítulo de livro |
2 |
4 |
||
Periódico |
JCR acima de 2 ou SNIP acima de 1,5 |
10 |
Não há |
|
JCR acima de 1 até 2 ou SNIP acima de 1 até 1,5 |
6 |
Não há |
||
JCR acima de 0,3 até 1 ou SNIP acima de 0,5 até 1 |
4 |
Não há |
||
SNIP até 0,500 |
2 |
5 |
||
Sem JCR ou SNIP |
1 |
|||
Trabalhos publicados em eventos científicos na área* |
Internacionais (trabalhos completos) |
3 |
Não há |
|
Internacionais (resumos expandidos, artigos curtos ou resumos) |
2 |
Não há |
||
Nacionais (trabalhos completos) |
2 |
Não há |
||
Nacionais (resumos expandidos, artigos curtos ou resumos) |
1 |
5 |
||
Regionais (trabalhos completos, resumos expandidos, artigos curtos ou resumos) |
1 |
|||
Patente concedidas na área* ou registro de software |
2 |
6 |
10 |
|
Participação em projetos financiados na área* |
2 |
6 |
||
Experiência profissional comprovada na área* |
4 por ano |
40 |
40 |
|
Média aritmética de notas obtidas na graduação** |
8 a 10 na área* |
25 |
- |
25 |
6 a 8 na área* |
20 |
- |
||
4 a 6 na área* |
15 |
- |
||
0 a 4 na área* |
10 |
- |
||
8 a 10 em outras áreas |
15 |
- |
||
6 a 8 em outras áreas |
10 |
- |
||
4 a 6 em outras áreas |
5 |
- |
||
0 a 4 em outras áreas |
1 |
- |
* Será considerado trabalhos, experiencias e cursos da área aqueles que julgados pela comissão de seleção se enquadrarem na área de Ciência da Computação.
** Apenas uma nota de graduação será considerada (a de maior pontuação).
Um trabalho poderá ser pontuado em apenas um subitem (o de maior pontuação).
Em caso de empate entre dois ou mais candidatos, terá preferência aquele com idade igual ou superior a 60 (sessenta) anos, conforme dispõe o parágrafo único do art. 27 da Lei nº 10.741/2003. Persistindo o empate ou em caso de não haver candidato na situação prevista no dispositivo legal em comento, terá preferência para efeito de desempate o candidato que, na seguinte ordem: (1) maior pontuação resultante da soma dos subitens Periódicos na área e Trabalhos publicados em eventos científicos; (2) melhor pontuação em Experiência profissional comprovada na área; (3) melhor pontuação em Média aritmética de notas obtidas na graduação; (4) maior idade. Os casos omissos serão julgados pela comissão de seleção, tendo a Direção Geral do Câmpus como instância superior.
O resultado da seleção será publicado no site de inscrição, na data indicada no item V;
A interposição de recurso, em relação ao resultado do processo de seleção, deve ser feita junto à Assessoria de Pós-Graduação Lato Sensu (adirppg-dv@utfpr.edu.br), das 8:00 horas às 18:00 horas, até a data indicada no item V do presente documento.
IX - MATRÍCULA
O processo de matrícula compreende a apresentação de documentos e assinatura de contrato de prestação de serviços;
Os candidatos selecionados deverão efetuar o pagamento da taxa de matrícula até 12/08/2021 e concluir o processo de matrícula, junto à secretaria do curso, enviando:
No ato da matrícula deverá ser assinado o contrato de prestação de serviços, disponível, para leitura e conhecimento prévio, no site de inscrição;
Os candidatos que não fizerem a matrícula até a data limite perderão suas vagas, sendo as mesmas preenchidas a partir da lista de espera.
X – CONVÊNIO UTFPR E FUNTEF-PR
A Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e Tecnológico da Universidade Tecnológica Federal do Paraná (FUNTEF-PR) atuará como apoiadora à UTFPR na gestão financeira do presente curso, sendo a responsável pela inscrição inicial e captação das mensalidades, e esta parceria entre a UTFPR e FUNTEF-PR é regulada pelo Convênio Nº. 01/2021.
XII - CONDIÇÕES DE PAGAMENTO
O candidato, no ato da matrícula, fará a opção de uma das seguintes condições de pagamento:
Taxa de Inscrição: R$ 35,00. Valor do Curso à vista: Matrícula no valor de R$ 399,00 e parcela única no valor de R$ 7.900,20.
Taxa de Inscrição: R$ 35,00. Valor do Curso parcelado - Matrícula no valor de R$ 399,00 mais 21 parcelas de R$ 399,00 com vencimentos nos dias 10 de cada mês, a partir do mês de setembro de 2021.
Não haverá a devolução da taxa de inscrição dos candidatos desistentes ou não classificados, caso o curso tiver sua abertura confirmada.
A devolução da taxa de matrícula, no caso de desistência, se fará no montante de 80% de seu valor, desde que solicitada antes do início das aulas do curso.
Atenção: Para fins de formalização dos serviços prestados durante o curso, será elaborado um contrato a ser assinado pelo Aluno selecionado com a Fundação de Apoio da UTFPR, para quem deverão ser realizados os depósitos referentes ao pagamento do curso.
XIII - CERTIFICADO DE CONCLUSÃO
Ao estudante que cumprir com todos os requisitos previstos no Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR vigente, fará jus ao respectivo Certificado de Especialista, acompanhado de seu Histórico Escolar.
XIV – INFORMAÇÕES GERAIS
O candidato não selecionado poderá interpor recurso, conforme prazos estabelecidos no item V do edital de abertura, nos termos do artigo 59 da lei 9.784/99.
Eventuais questões do presente edital poderão ser dirimidas, em caso de discordância, no foro da Justiça Federal para dirimir eventuais questões decorrentes do edital, não solucionadas administrativamente.
Informações adicionais e eventuais dúvidas sobre o curso poderão ser atendidas pelo telefone +55 (46) 3536-8900 Ramal 8251, ou pelo e-mails da coordenação e secretaria do curso (cdados-dv@utfpr.edu.br).
O presente edital será publicado em meio eletrônico no site da FUNTEF.
Casos omissos a este edital serão resolvidos pelo Diretor de Pesquisa e Pós-graduação.
Prof. André Roberto Ortoncelli
Assessor de Pesquisa e Pós-Graduação do Campus Dois Vizinhos
Profa. Michele Potrich
Diretora Geral em Exercício Campus Dois Vizinhos
Relação de links desse edital:
Diretoria de Pesquisa e Pós-Graduação-Câmpus Dois Vizinhos (DIRPPG-DV):
http://portal.utfpr.edu.br/estrutura/pesquisa-e-pos-graduacao/dirppg/dois-vizinhos
Pós-Graduação Lato Sensu-Especializações:
http://www.utfpr.edu.br/cursos/especializacao
Pré-Inscrição | Postagem de documentos | Consulta seleção:
Regulamento da Organização Didático-Pedagógica dos Cursos de Pós-Graduação Lato Sensu da UTFPR:
Documento assinado eletronicamente por (Document electronically signed by) ANDRE ROBERTO ORTONCELLI, ASSESSOR(A), em (at) 02/08/2021, às 16:06, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020. |
Documento assinado eletronicamente por (Document electronically signed by) MICHELE POTRICH, DIRETOR(A), em (at) 02/08/2021, às 16:13, conforme horário oficial de Brasília (according to official Brasilia-Brazil time), com fundamento no (with legal based on) art. 4º, § 3º, do Decreto nº 10.543, de 13 de novembro de 2020. |
A autenticidade deste documento pode ser conferida no site (The authenticity of this document can be checked on the website) https://sei.utfpr.edu.br/sei/controlador_externo.php?acao=documento_conferir&id_orgao_acesso_externo=0, informando o código verificador (informing the verification code) 2173158 e o código CRC (and the CRC code) 9340B5A7. |
Anexo 1: DISCIPLINAS DO CURSO DE ESPECIZAÇÃO EM TECNOLOGIA PYTHON PARA NEGÓCIOS
Disciplina: Ambiente de Ensino e Aprendizagem a Distância (1) |
Carga Horária: 10 horas |
Objetivo: Compreender a EAD como modalidade de ensino, suas especificidades, definições e evolução ao longo do tempo. Participar de uma comunidade virtual de aprendizagem. Aplicar regras de convivência para participação de comunidades virtuais e as ferramentas de comunicação: emoticons, netiqueta, clareza, citações e diretrizes de feedback. Participar de atividades de ambientação do ambiente virtual de aprendizagem (Moodle) e experimentar seus recursos e ferramentas como maneira de viabilizar sua participação como aluno virtual em disciplinas posteriores em seu curso virtual. |
|
Programa: Importância da tecnologia de informação e de comunicação como mediadora da aprendizagem. Apresentação do ambiente WEB como um dos meios eficazes para a EAD. Diferentes categorias de EAD e os modelos de aprendizagem usados no desenvolvimento de um curso à distância em diferentes níveis: superior e pós-graduação. Aspectos (pedagógicos, tecnológicos, organizacionais e institucionais) associados ao EAD baseado na WEB. Apresentação e análise de diferentes ambientes virtuais: Moodle, TelEduc, Eureka, AulaNet e outros. Ênfase nas ferramentas disponibilizadas pelo Moodle. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. MORAES, M. C. Educação a distância: fundamentos e práticas. Campinas, SP: Unicamp/Nied, 2002. 2. QUINTELA, A. J. F.; ZAMBERLAN, M. F. Ambientação para EAD. Cuiabá, MT: Rede eTec Brasil, 2014. 3. NASH, S.; PILJAK, Z; MOORE, M. Moodle Course Design Best Practices. England: Packt Publishing, 2014. 4. SILVA, R. S. Moodle 3 para gestores, autores e tutores: Educação na era digital. São Paulo, SP: Novatec, 2016.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 1 e 3 disponíveis. Justificativa para bibliografias com mais de 5 anos: disponibilidade no BiblioTec e qualidade da bibliografia. |
Disciplina: Fundamentos de Programação com Python (3) |
Carga Horária: 20 horas |
Objetivo: Criar algoritmos para solucionar situações problemas propostas. Criar programas utilizando a linguagem de programação Python e soluções algorítmicas aderente a boas práticas de programação. Aplicar as diferentes estruturas e tipos de dados na construção de programas em Python de forma eficiente. Modularizar código Python com o uso de funções. Introduzir técnicas de algoritmos aplicadas em Python (recursão, busca e ordenação). Aplicar as bibliotecas Matplotlib, NumPy e Pandas para a manipulação e visualização de dados. |
|
Programa: Importância, popularização e histórico da linguagem de programação Python. Instalação e preparação de ambiente de programação para a linguagem Python. Tipos de dados em Python: tipos básicos, tuplas, listas, conjuntos e dicionários. Elementos básicos da linguagem Python, estrutura sequencial, de decisão e de repetição. Manipulação de strings. Funções e funções de alta ordem: mapas, filtros e redução. Tratamento de erros e exceções. Busca e ordenação. Decoradores. Módulos e pacotes. Eficiência, estilo de programação e documentação interna. Desenvolvimento de algoritmos utilizando Python. Introdução às bibliotecas Pandas, Matplotlib e NumPy. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 2. HUNT, J. A Beginners Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 3. LEE, K. D. Python Programming Fundamentals. Undergraduate Topics in Computer Science. Springer, 2014. 4. GUTTAG, J. Introduction to Computation and Programming Using Python: With Application to Understanding Data Second Edition. USA: MIT Press, 2016. 5. MCKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. Segunda edição, O'Reilly, 2017.
Consulta à base BiblioTec em: 03/08/2020: bibliografias 1 e 3 disponíveis. Justificativa para bibliografias com mais de 5 anos: bibliografia de qualidade disponível no BiblioTec. |
Disciplina: Sistemas de Banco de Dados com Python (4) |
Carga Horária: 20 horas |
Objetivo: Compreender a visão geral das linguagens de programação para banco de dados relacionais. Implementar o projeto físico de um banco de dados relacional. Aplicar a linguagem de definição de dados e a linguagem de manipulação de dados da SQL em um projeto de banco de dados relacional. Compreender conceitos gerais das outras partes da linguagem SQL. Acessar bancos de dados com Python. |
|
Programa: Linguagens de programação usadas em um Sistema Gerenciador de Banco de Dados (SGBD). Utilização de um SGBD: instalação, configuração, usuários e funcionalidades principais. Construção do esquema físico de um banco de dados relacional. Linguagem de definição de dados (DDL): criação, remoção e alterações estruturais de objetos armazenados em um banco de dados relacional. Linguagem de manipulação de dados (DML): inserção, remoção, alteração e recuperação. Gerenciamento de banco de dados utilizando Python. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de banco de dados. Rio de Janeiro, RJ: Elsevier, 2012. 2. CHAUHAN, C. PostgreSQL Cookbook. Birmingham, UK: Packt Publishing, 2015. 3. MACHADO, F. N. R. Banco de dados: projeto e implementação. São Paulo, SP: Erica, 2014. 4. NIELD, T. Introdução à Linguagem SQL: Abordagem Prática Para Iniciantes. São Paulo, SP: Novatec, 2016. 5. ELMASRI, R.; NAVATHE, S. B. Sistemas de banco de dados. São Paulo, SP: Pearson Addison- Wesley, 2019. Consulta à base BiblioTec em 27/11/2019: bibliografias 2 e 3 disponíveis. 6. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 2 e 3 disponíveis. Justificativa para bibliografias com mais de 5 anos: O referencial teórico da base de banco de dados se manteve estável, assim a literatura clássica é preferível. |
Disciplina: Orientação a Objetos em Python e Ferramentas UML (5) |
Carga Horária: 20 horas |
Objetivo: Projetar e documentar programas orientados a objetos com UML de forma modularizada. Criar programas em Python seguindo o paradigma de orientação a objetos a partir de sua modelagem utilizando UML. Aplicar boas práticas de programação orientada a objetos. |
|
Programa: Introdução a orientação a objetos (classes, atributos, métodos, herança, polimorfismo). Modelagem e Ferramentas UML. Classes e métodos em Python (definição de classes, inicializador e construtor, métodos e atributos do objeto, docstring, métodos e atributos privados, instância e destruição de objetos, gestão de memória automática, atributos Intrínsecos). Métodos e atributos estáticos; singletons. Herança e associação em Python (implementando herança e associações, sub e super classes, métodos padrões de classes (built-in), sobrescrita de métodos, polimorfismo, convenções de nomes(protegido e privado), herança múltipla). Sobrecarga de Operadores. Propriedades em Python. Classes abstratas e Mixins. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 2. GUEDES, G. T. A. UML 2 : uma abordagem prática. São Paulo, SP : Novatec, 2011. 484 p. 3. BOOCH, J.; RUMBAUGH, J,; JACOBSON, I. UML: guia do usuário. Rio de Janeiro, RJ : Elsevier, Campus; 2006. 474 p. 4. LEE, K. D. Python Programming Fundamentals. Undergraduate Topics in Computer Science. Springer, 2014. 5. HUNT, J. A Beginners Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019.
Consulta à base BiblioTec em: 03/08/2020: bibliografias 1, 2, 3 e 4 disponíveis. Justificativa para bibliografias com mais de 5 anos: O referencial teórico da base de UML se manteve estável, assim a literatura clássica é preferível. Quanto ao 4 é uma bibliografia de qualidade disponívelno BiblioTec. |
Disciplina: Preparação Pedagógica (6) |
Carga Horária: 10 horas |
Objetivo: Discutir as abordagens sistêmicas do processo de ensino e aprendizagem. Analisar os elementos que compõem um sistema de ensino em nível superior. Apresentar e descrever os modelos de ensino e aprendizagem. Contrastar a metodologia de ensino, as estratégias individuais e em grupo de aprendizagem. Demonstrar e refletir sobre os métodos de avaliação de aprendizagem. Apresentar ferramentas para elaboração de planos de ensino de disciplina e aula. |
|
Programa: Atuais desafios da Profissão Acadêmica: Ensino superior e sua função social. A formação de professores e a profissionalização do docente da Educação Superior. Metodologia do Ensino e da Aprendizagem: Planejamento Educacional. As habilidades didáticas para docência e as competências para ensinar e para aprender. Uso de tecnologias de informação e comunicação no processo de ensino e aprendizagem. Construção de plano de ensino para o ensino superior e sua aplicação em uma aula. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. FREIRE, P. Pedagogia da Autonomia: saberes necessários à prática educativa. São Paulo, SP: Paz e Terra, 2016. 2. GIL, A. C. Metodologia do Ensino 7Superior. São Paulo, SP: Atlas, 2018. 3. OLIVIERI, M. A. et al. Didática e Prática do Ensino Superior. São Paulo, SP: Globus, 2016.
Consulta à base BiblioTec em 13/07/2020: bibliografia 1 disponível. |
Disciplina: Python para WEB (7) |
Carga Horária: 20 horas |
Objetivo: Criar aplicações serviço para serem disponibilizadas pela WEB com a linguagem Python. Integrar um servidor WEB com aplicação em Python com o cliente e com banco de dados. |
|
Programa: A arquitetura de uma aplicação WEB com Django. Configuração do ambiente Django com PIP e Conda. Criação de um projeto e aplicação Django e sua configuração. Métodos de requisições e tipos de resposta. Criando views e rotas URL com Django. Integração com banco de dados usando modelos para Django. Sistema de templates para Django, introdução ao HTML. Formulários com Django. O sistema de autenticação do Django (contrib.auth). O sistema de administração do Django (contrib.admin). RESTfull API. Colocando a aplicação em produção (deploy). Introdução ao Flask. Tópicos introdutórios aodesenvolvimento WEB do lado cliente (css, javascript e frameworks). |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BENDORAITIS, A., KRONIKA, J. Django 3 Web Development Cookbook: Actionable solutions to common problems in Python web development. 4ª edição. Birmingham, UK: Packt Publishing. 2020. 2. GREENFELD, D. R., GREENFELD, A. R. Django Crash Course: Covers Python 3.8 and Django 3.x. 2020. 3. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 4. GEORGE, N.. Mastering Django: Core. Birmingham, UK: Packt Publishing. 2016. eBook. 5. HILLAR, G. C. Django RESTful Web Services: The Easiest Way to Build Python RESTful APIs and Web Services with Django. Birmingham, UK: Packt Publishing. 2018. eBook. 6. DWYER, G. AGGARWAL, S., STOUFFER, J. Flask: Building Python Web Services. Birmingham, UK: Packt Publishing. 2017. Consulta à base BiblioTec em: 13/07/2020: bibliografias 3, 4, 5 e 6 disponíveis. |
Disciplina: Engenharia de Software para Projetos em Python (8) |
Carga Horária: 20 horas |
Objetivo: Compreender os principais conceitos de engenharia de software. Compreender os principais modelos de produção de software e suas diferenças. Aplicar os modelos de processo de software de forma adequada em diferentes cenários. Aplicar ferramentas de controle de versão e desenvolvimento em paralelo. |
|
Programa: Definição de sistema, software e Engenharia de software. Modelos de processos tradicionais e metodologias ágeis de desenvolvimento de software. Qualidade do processo de software. Características e classificação dos requisitos. Identificação e modelagem de requisitos. Ferramentas para controle de versões e desenvolvimento em paralelo. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. SOMMERVILLE, I. Engenharia de Software. 9th. São Paulo, SP: Pearson Prentice Hall, 2018. 2. SBROCCO, J. H. T. C. Metodologias ágeis: engenharia de software sob medida. São Paulo: Erica, 2012. 3. DEBASTIANI, C. A. Definindo escopo em projetos de software. Novatec, 139, 2015. 4. WIEGERS, K., BEATTY, j. Software Requirements. Redmond, WA: Microsoft Press, 2013. 637 p. 5. VAZQUEZ, C. E., SIMÕES, G. S. Engenharia de requisitos: software orientado ao negócio. Brasport, 302, 2016. 6. TONSIG, S. L. Engenharia de software: análise e projeto de sistemas. Ciência Moderna, 351, 2013. 7. GEISSHIRT, k., ZATTIN, E., OLSSON, A., VOSS, R. Git Version Control Cookbook: Leverage version control to transform your development workflow and boost productivity. Birmingham, UK: Packt Publishing, 2018.
Consulta à base BiblioTec em: 03/08/2020: Todas as bibliografias disponíveis. Justificativa para bibliografias com mais de 5 anos: As bibliografias selecionadas com mais de 5 anos são literaturas de base consolidados, ainda estão disponíveis na BiblioTec. |
Disciplina: Processamento de Sinais e Imagens com Python (9) |
Carga Horária: 20 horas |
Objetivo: Aplicar técnicas de processamento de sinais e imagens para a resolução de situações-problemas a partir de uma série de ferramentas providenciadas pelo Python. |
|
Programa: Conceitos de imagens digitais. Introdução a biblioteca OpenCV e suas aplicações. Visualizando imagens com Python. Codificação RGB, HSV e HLS. Desenhando e escrevendo com OpenCV. Separando e juntando canais. Transformações geométricas de imagens. Operações aritméticas e morfológicas de imagens. Mapas de cores. Processamento de sinais. Transformada de Fourier. Histograma e suas transformações. Segmentação e Restauração. Introdução ao processamento de áudio. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 2. HUNT, J. A. Beginners Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 3. VILLÁN, A. F. Mastering OpenCV 4 with Python. Birmingham, UK: Packt Publishing, 2019. 4. PRATEEK, J., MILLAN, E. D., VINIVIUS, G. OpenCV by Example. Birmingham, UK: Packt Publishing, 2016.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 1 e 4 disponíveis. |
Disciplina: Planejamento e Gestão de Teste para Sistemas em Python (10) |
Carga Horária: 20 horas |
Objetivo: Aplicar ferramentas de teste em softwares desenvolvidos em Python. Projetar e construir sistemas testáveis. |
|
Programa: Conceitos preliminares de teste de software (Definições, terminologias, fases/tipos de teste). Teste unitário, de integração e a nível de sistema em Python. Automação de teste em Python. Introdução a frameworks contemporâneos de testes em Python. Mocking para teste em Python. Desenvolvimento orientado a teste (TDD). |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 2. WAZLAWICK, R. S. Introdução a algoritmos e programação com Python : uma abordagem dirigida por testes, Gen LTC, 2017. 3. ARBUCKLE, D. Python Testing: Beginner's Guide, Packt Publishing, 2010. 4. GOVINDARAJ, S. Test-Driven Python Development, Packt Publishing, 2015.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 2, 3 e 4 disponíveis. |
Disciplina: Python Avançado (11) |
Carga Horária: 20 horas |
Objetivo: Aplicar estratégias avançadas no desenvolvimento de programas Python para solucionar situações problemas de forma elegante e de fácil manutenção, extensão e compreensão. |
|
Programa: Recursão. Introdução a programação funcional. Funções currying. Iteráveis, iteradores, geradores e corotinas. Tópicos avançados com Pandas e Matplotlib. Entrada e saída de arquivos. Logging. Introdução a programação responsiva. Introdução a programação em redes de computadores. Desenvolvimento de algoritmos utilizando Python. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
1. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 2. HUNT, J. A Beginners Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 3. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019 4. GUTTAG, J. Introduction to Computation and Programming Using Python: With Application to Understanding Data Second Edition. USA: MIT Press, 2016. 5. MCKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. S/egunda edição, O'Reilly, 2017.
Consulta à base BiblioTec em: 13/07/2020: bibliografia 1 disponível. |
Disciplina: Interface Gráfica com o Usuário em Python (12) |
Carga Horária: 20 horas |
Objetivo: Criar aplicações que provenham interfaces gráficas com o usuários (GUI) com Python. Conhecer as principais bibliotecas GUI para Python. |
|
Programa: Principais bibliotecas para GUI disponíveis para Python (Qt com PyQt e PySide2, GTK com PyGObject e wxWidgets com wxPython). Principais elementos GUI em PyQt (janela, etiqueta, botão, caixa de texto, área de rolagem, caixa de diálogo, caixa de combinação, caixa de listagem e menu). Gerenciamento de leiaute. Fluxo de execução de uma GUI: laço principal, funções e eventos. Introdução ao QPainter. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 2. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 3. Comunidade PyGObject. Read the Docs: PyGObject. Disponível em https://pygobject.readthedocs.io/. Acesso em 03/08/2020. 4. Riverbank Computing. PyQt5 Reference Guide. Disponível em https://www.riverbankcomputing.com/static/Docs/PyQt5/. Acesso em 03/08/2020.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 1 e 2 disponíveis. Bibliografias 3 e 4 disponíveis livremente nos endereços providos. |
Disciplina: Processamento de Dados Espaciais com Python (14) |
Carga Horária: 20 horas |
Objetivo: Interpretar fenômenos do mundo real como objetos a serem representados como tipos de dados espaciais e posteriormente serem manipulados de forma eficiente em banco de dados espaciais. Aplicar conceitos fundamentais de banco de dados espaciais como suporte à análise espacial Contrastar e comparar consultas espaciais utilizando diferentes operadores em cenários realistas. Construir soluções eficientes para manipular um volume massivo de dados espaciais usando Python. |
|
Programa: Definição de dados espaciais e sistemas de informação geográficas: abstrações, tipos de dados espaciais e o que eles representam no mundo real. Importância da manipulação e análise espacial. Instalação e configuração de extensão espacial para um Sistema Gerenciador de Banco de Dados (SGBD). Projeto e implementação de um banco de dados espacial utilizando um SGBD espacial. Representações de dados espaciais: formato textual, formato binário e tipos de arquivos. Operações sobre dados espaciais: numéricas, geométricas de conjunto, relacionamentos topológicos, dependentes de tipo e operações diversas. Consultas típicas em banco de dados espaciais. Métodos de acesso espacial: conceitos, implementação e desempenho. Acesso, manipulação e processamento de operações espaciais usando Python. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. YEUNG, A. K. W.; HALL, G. B. Spatial Database Systems: Design, Implementation and Project Management. Netherlands: Springer, 2007. 2. VISWANATHAN, G.; SCHNEIDER, M. User-Centric Spatial Data Warehousing: A Survey of Requirements & Approaches. International Journal of Data Mining, Modelling and Management, v. 6, n. 4, p. 369-390, 2014. 3. ZURBARAN, M. et al. PostGIS Cookbook: Store, organize, manipulate, and analyze spatial data. Switzerland, Euope: Packt Publishing, 2018.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 2 e 3 disponíveis. Justificativa para bibliografias com mais de 5 anos: disponibilidade no BiblioTec e qualidade da bibliografia. |
Disciplina: Computação Gráfica e Visão Computacional com Python (15) |
Carga Horária: 20 horas |
Objetivo: Conhecer os conceitos básicos para o uso e desenvolvimento de aplicações de computação gráfica em Python. Utilizar ferramentas de geração de imagens para uso em aplicações 2D e 3D. Conhecer os conceitos e ferramentas e utilizá-los no desenvolvimento de aplicações de realidade virtual e aumentada, de reconhecimento de objetos e estimativa de pose. |
|
Programa: Introdução à Computação Gráfica (CG); Fundamentos matemáticos para CG; Transformações geométricas no plano e no espaço; Instalação e preparação do ambiente para desenvolvimento das atividades; Geração de imagens; Uso de bibliotecas para geração de imagens em 2D e 3D; Criação de aplicações de realidade virtual e aumentada; Integração com ferramentas de modelagem tridimensional; Criação de aplicações de reconhecimento de objetos em aplicações 3D. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. CONCI, A.; LETA, F. R.; AZEVEDO, E. Computação gráfica : teoria e prática. Rio de Janeiro: Elsevier, 2018. 2. MARSCHNER, S.; SHIRLEY, P. Fundamentals of computer graphics. CRC Press, 2015. 3. HUNT, J. Advanced Guide to Python 3 Programming. Springer, 2019 4. HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in Computer Vision. Cambridge, UK: Cambridge University Press, 2003 5. SINHA, S.; PAUL, A. Computer Graphics. Oxford: Alpha Science Internation Limited, 2018. 6. FINE, M. O. de. Python 2.6 Graphics Cookbook : Over 100 Great Recipes for Creating and Animating Graphics Using Python. Birmingham, U.K.: Packt Publishing, 2010.
Justificativa para adoção de referências anteriores a 2015: Referência 4: Este livro é a melhor referência na área de Visão computacional 3D. Referência 6: Existem poucas referências com aplicações de CG em Python, portanto a adoção deste livro possibilitará visão prática dos conceitos estudados.
Consulta à base BiblioTec em: 03/08/2020: bibliografias disponíveis: 1, 2, 4, 5 e 6. |
Disciplina: Python para Aprendizado de Máquina e Reconhecimento de Padrões 1 (16) |
Carga Horária: 20 horas |
Objetivo: Apresentar como o reconhecimento de padrões está associado à inteligência artificial e à ciência de dados. Contrastar as diferentes formas de reconhecimento de padrões para o desenvolvimento de produtos de software. Ilustrar e explorar os conceitos abordados com exemplos práticos e cenários realistas. Experimentar a formalização de problemas visando resolvê-los utilizando técnicas de reconhecimento de padrão. Criar soluções algorítmicas para problemas utilizando princípios da ciência de dados selecionando métodos para aprendizagem supervisionada e não supervisionada. |
|
Programa: Visão do reconhecimento de padrões e sua importância na ciência de dados. Pré-processamento: extração de características, seleção de características, normalização, padronização, redução de dimensionalidade, amostragem. Modelos e métodos para aprendizagem supervisionada. Modelos e métodos para aprendizagem não supervisionada. Validação de modelo: seleção de modelo, validação cruzada, configuração de hiperparâmetros, métricas de desempenho. Implementação de soluções algorítmicas de reconhecimento de padrões utilizando Python. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BISHOP, C. M. Pattern Recognition and Machine Learning (Information Science and Statistics). Singapore: Springer, 2006. 2. THEODORIDIS, S., KOUTROUMBAS, K. Pattern Recognition. Academic Press, 2009. 3. HASTIE, T., TIBSHIRANI, R., FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2016. 4. JOSHI, P. Python Machine Learning Cookbook. Birmingham, UK: Packt Publishing, 2016. 5. RASCHKA, S., MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. UK: Packt Publishing, 2017.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 1, 2, 4 e 5 disponível. Edição de 2010 da bibliografia 3 disponível. Justificativa para bibliografias com mais de 5 anos: são bibliografias clássicas padrões da área.
|
Disciplina: Programação Concorrente e Paralela em Python (18) |
Carga Horária: 20 horas |
Objetivo: Compreender os aspectos de sistemas de software distribuídos, concorrentes e paralelos e suas terminologias. Projetar e Implementar programas concorrentes e paralelos em Python de maneira eficiente. Analisar a aplicabilidade de programação concorrente e distribuída para produto de software. |
|
Programa: Introdução aos conceitos de concorrência, paralelismo, distribuição, computação em grid, sincronismo e threads vs processos. Motivação para o uso de programação concorrente e paralela e suas aplicações. Trabalhando com threads com a biblioteca threading. Trabalhando com vários processadores com a biblioteca multiprocessing. Sincronização entre threads e processos. Futures. AsyncIO. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 2. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017.
Consulta à base BiblioTec em: 03/08/2020: bibliografia 2 disponível. |
Disciplina: Introdução ao Desenvolvimento de Jogos Digitais com Python(19) |
Carga Horária: 20 horas |
Objetivo: Introduzir as ferramentas para desenvolvimento de jogos digitais com Python. Desenvolver um pequeno jogo utilizando Python e pygame. |
|
Programa: Bibliotecas e Frameworks para jogos digitais em Python (e.g. pygame). A janela principal superfície de exibição (criação e inicialização). Laço principal. Lidando com a entrada do usuário: baseados a eventos e a estados. Desenhando forma geométricas. Escrevendo textos e carregando imagens. Arquitetando e construindo um jogo digital. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. HUNT, J. A. Advanced Guide to Python 3 Programming. Undergraduate Topics in Computer Science. Springer, 2019. 2. BORGES, L. E. Python para desenvolvedores. São Paulo, SP: Novatec, 2017. 3. CRAVEN, P. Program Arcade Games: With Python and Pygame. Apress, 2015.
Consulta à base BiblioTec em: 13/07/2020: bibliografia 2 disponível. Bibliografia 3 disponível livremente na web. |
Disciplina: Python para Aprendizado de Máquina e Reconhecimento de Padrões 2 (20) |
Carga Horária: 20 horas |
Objetivo: Experimentar e comparar conceitos avançados de técnicas, ferramentas e algoritmos de aprendizado de máquina. Analisar a combinação de diferentes métodos e modelos como forma de enriquecimento da análise de dados. Aplicar o fluxo de uma solução de ciência de dados para construir aplicações avançadas. Ilustrar e explorar os conceitos abordados com exemplos práticos e cenários realistas. |
|
Programa: Visão geral dos algoritmos e métodos avançados para aprendizado de máquina. Redes Neurais Artificiais. Modelos de Aprendizagem Profunda: Redes Neurais Convolucionais. Técnicas baseadas em comitês: Bagging e Boosting. Meta-heurísticas: AG, PSO Fluxo de uma solução de ciência de dados em problemas reais. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. BISHOP, C. M. Pattern Recognition and Machine Learning (Information Science and Statistics). Singapore: Springer, 2006. 2. HAYKIN, S. Redes Neurais Artificiais: Princípios e Práticas. 2 edição. São Paulo: Pearson Education, 2011. 3. FACELI, K. et al. Inteligência Artificial: uma Abordagem de Aprendizado de Máquina. Rio de Janeiro, RJ: LTC, 2011. 4. MARSLAND, S. Machine Learning: An algorithmic perspective. Switzerland, Europe: CRC Press, 2015. 5. JOSHI, P. Python Machine Learning Cookbook. Birmingham, UK: Packt Publishing, 2016. 6. GOODFELLOW, I., BENGIO, Y., COURVILLE, A. Deep Learning, MIT Press, 2016. 7. RASCHKA, S., MIRJALILI, V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow. Switzerland, Europe: Packt Publishing, 2017.
Consulta à base BiblioTec em: 03/08/2020: bibliografias 2, 3, 4, 5, 6 e 7 disponíveis. Justificativa para bibliografias com mais de 5 anos: são bibliografias clássicas padrões da área. |
Disciplina: Trabalho de Conclusão de Curso (21) |
Carga Horária: 10 horas |
Objetivo: Desenvolver a capacidade de aplicação dos conceitos e teorias adquiridas durante o curso de forma integrada e transversal, resultando em um trabalho científico. Organizar o fluxo de ideias para a elaboração e apresentação do trabalho de conclusão de curso. Discutir os avanços no desenvolvimento obtido até o momento na elaboração do trabalho de conclusão de curso. |
|
Programa: Conceitos fundamentais sobre a organização e escrita de trabalho de conclusão de curso. Estrutura de uma monografia a nível de pós-graduação. Utilização de processadores e editores de texto na escrita de monografia (LaTeX e Word). Escrita de seções de uma monografia: resumo, introdução, revisão sistemática da literatura, métodos e metodologia, resultados e conclusões. Ética na escrita de monografia. Desenvolvimento do trabalho proposto. Técnicas para apresentação e defesa de monografia perante uma banca examinadora. Normas da UTFPR para elaboração de trabalhos acadêmicos. |
|
Metodologias de Ensino Aprendizagem: Aula expositiva-dialogada. Aula expositiva. Resolução de exercícios. Estudo de casos. Trabalho individual. Trabalho em grupo. Debate/Discussão. Estudo dirigido. Resolução de Problemas. |
|
Previsão de Trabalhos Discentes: Trabalho individual. Trabalho em grupo. Prova individual. |
|
Forma de Avaliação: A avaliação da disciplina é realizada por meio da combinação dos seguintes fatores a serem realizados no ambiente de aprendizagem: (i) verificação da participação em atividades programadas; (ii) aferição do desempenho em tarefas/trabalhos; e (iii) provas. As atividades programadas nas quais a participação é avaliada abrangem conferências web e fóruns de discussão. Ademais, haverá um projeto integrador, que avaliará transversalmente esta disciplina conjuntamente a outras com término em comum. O projeto integrador corresponderá a 40% da nota e será apresentado por meio de vídeo, com autenticação individual ao mostrar um documento de identificação oficial. |
|
Bibliografia: 1. ACEVEDO, C. R., NOHARA, J. J. Como fazer monografias: TCC, dissertações, teses. São Paulo, SP: Atlas, 2013. 2. WAZLAWICK, R. S. Metodologia de pesquisa para ciência da computação. Rio de Janeiro, RJ: Elsevier, 2014. 3. MARCONI, M. A. Metodologia do trabalho científico. Rio de janeiro, RJ: Atlas, 2017.
Consulta à base BiblioTec em: 13/07/2020: bibliografias 1, 2 e 3 disponíveis. Justificativa para bibliografias com mais de 5 anos: bibliografias de qualidade disponíveis no BiblioTec. |
Anexo 2: DOCENTES DO CURSO DE ESPECIZAÇÃO EM TECNOLOGIA PYTHON PARA NEGÓCIOS
Disciplina |
Carga Horária (horas) |
Titulação |
Docente Responsável |
Link para o Currículo Lattes |
Instituição |
Ambiente de Ensino e Aprendizagem a Distância |
10 |
doutor |
Rafael Alves Paes de Oliveira |
http://lattes.cnpq.br/0793753941171478 |
UTFPR-DV |
Empreendedorismo e Mercado de Software |
10 |
Pedro Henrique de Alencar Machado |
http://lattes.cnpq.br/5482926075590121 |
ALUG |
|
Fundamentos de Programação com Python |
20 |
doutor |
Yuri Kaszubowski Lopes |
http://lattes.cnpq.br/6645986822120975 |
UTFPR-DV |
Sistemas de Banco de Dados com Python |
20 |
doutor |
Anderson Chaves Carniel |
http://lattes.cnpq.br/6350698053529179 |
UTFPR-DV |
Orientação a Objetos em Python e Ferramentas UML |
20 |
doutor |
Francisco Carlos Monteiro de Souza |
http://lattes.cnpq.br/0057958225738520 |
UTFPR-DV |
Preparação Pedagógica |
10 |
doutor |
Simone de Sousa Borges |
http://lattes.cnpq.br/9013853025023946 |
UTFPR-DV |
Python para WEB |
20 |
doutor |
Yuri Kaszubowski Lopes |
http://lattes.cnpq.br/6645986822120975 |
UTFPR-DV |
Engenharia de Software para Projetos em Python |
20 |
doutor |
Alinne Cristinne Corrêa Souza |
http://lattes.cnpq.br/7003131006996441 |
UTFPR-DV |
Processamento de Sinais e Imagens com Python |
20 |
doutor |
Jefferson Tales Oliva |
http://lattes.cnpq.br/5086431818930800 |
UTFPR-PB |
Planejamento e Gestão de Teste para Sistemas em Python |
20 |
doutor |
Rafael Alves Paes de Oliveira |
http://lattes.cnpq.br/0793753941171478 |
UTFPR-DV |
Python Avançado |
20 |
doutor |
Yuri Kaszubowski Lopes |
http://lattes.cnpq.br/6645986822120975 |
UTFPR-DV |
Interface Gráfica com o Usuário em Python |
20 |
doutor |
Lucas Hermann Negri |
http://lattes.cnpq.br/0726448318510315 |
IFMS |
Desenvolvimento de Produto Mínimo Viável |
10 |
doutor |
Marisangela Pacheco Brittes |
http://lattes.cnpq.br/1610582393101376 |
UTFPR-DV |
Processamento de Dados Espaciais com Python |
20 |
doutor |
Anderson Chaves Carniel |
http://lattes.cnpq.br/6350698053529179 |
UTFPR-DV |
Computação Gráfica e Visão Computacional com Python |
20 |
mestre |
Marlon Marcon |
http://lattes.cnpq.br/3467949718089933 |
UTFPR-DV |
Python para Aprendizado de Máquina e Reconhecimento de Padrões 1 |
20 |
doutor |
Dalcimar Casanova |
http://lattes.cnpq.br/4155115530052195 |
UTFPR-PB |
Modelagem de Negócio de Software |
10 |
mestre |
Pedro Henrique de Alencar Machado |
http://lattes.cnpq.br/5482926075590121 |
ALUG |
Programação Concorrente e Paralela em Python |
20 |
doutor |
Rodolfo Adamshuk Silva |
http://lattes.cnpq.br/4054623065663370 |
UTFPR-DV |
Introdução ao Desenvolvimento de Jogos Digitais com Python |
20 |
doutor |
Simone de Sousa Borges |
http://lattes.cnpq.br/9013853025023946 |
UTFPR-DV |
Python para Aprendizado de Máquina e Reconhecimento de Padrões 2 |
20 |
doutor |
Rafael Gomes Mantovani |
http://lattes.cnpq.br/3753471203485400 |
UTFPR-AP |
Trabalho de Conclusão de Curso |
10 |
doutor |
Marcelo Teixeira |
http://lattes.cnpq.br/8925349327322997 |
UTFPR-PB |
Obs.: O quadro de professores poderá sofrer alterações sem perda de conteúdo ou de qualidade das aulas.
Referência: Processo nº 23064.002072/2021-85 | SEI nº 2173158 |