A tabela as seguir apresenta todas as disciplinas com vagas disponíveis para os discentes do Curso de ENGENHARIA COMPUTACIONAL (65B) da Universidade Federal de Juiz de Fora (UFJF) no período letivo atual. Os horários e os docentes responsáveis por cada disciplina podem ser consultados clicando na turma desejada.
Ressalta-se que o Curso de Engenharia Computacional da UFJF é ofertado em período integral, com aulas de segunda a sexta-feira, podendo ocorrer nos turnos matutino (8h às 12h), vespertino (14h às 18h) ou noturno (19h às 23h), conforme estabelecido na grade curricular.
Plano de Ensino
Disciplina: EST065 - ESTATÍSTICA COMPUTACIONAL I
Carga horária: 60
Departamento: DEPTO DE ESTATISTICA /ICE
Ementa
Fundamentos da linguagem R. Introdução à programação em R. Obtenção e
limpeza de dados. Big data.
limpeza de dados. Big data.
Conteúdo
1. Fundamentos da linguagem R: Introdução ao comandos básicos. Manipulação e exploração
de diferentes tipos de objetos de dados (vetores, matrizes, data frames). Operações básicas.
Importação e exportação de dados. Uso de scripts para organizar comandos. Ajuda do R.
Instalação e uso de pacotes.
2. Introdução à programação em R: Estruturas de controle: if-
else, loops em for, loops em while, repeat-next-break. Funções em R. Padrões de
codificação. Debugging: diagnóstico dos problemas, uso de ferramentas básicas
para debugging.
3. Obtenção de dados: Leitura de diferentes tipos de arquivos. Apresentação dos sistemas de
armazenamento de dados mais comuns. Ferramentas para extração de dados da web ou de
bancos de dados.
4. Limpeza de dados : Recodificação e conversão de dados. Manipulação de caracteres:
normalização de strings, problemas de codificação de caracteres. Detecção e localização de
erros. 5. Correção de erros. Imputação de dados: modelos básicos de imputação numérica,
imputação hot deck, imputação kNN, ajuste de valor mínimo
5. Big data: Tratamento de grandes conjuntos de dados no R. Estratégias para uso
de big data no R. Computação em paralelo.
de diferentes tipos de objetos de dados (vetores, matrizes, data frames). Operações básicas.
Importação e exportação de dados. Uso de scripts para organizar comandos. Ajuda do R.
Instalação e uso de pacotes.
2. Introdução à programação em R: Estruturas de controle: if-
else, loops em for, loops em while, repeat-next-break. Funções em R. Padrões de
codificação. Debugging: diagnóstico dos problemas, uso de ferramentas básicas
para debugging.
3. Obtenção de dados: Leitura de diferentes tipos de arquivos. Apresentação dos sistemas de
armazenamento de dados mais comuns. Ferramentas para extração de dados da web ou de
bancos de dados.
4. Limpeza de dados : Recodificação e conversão de dados. Manipulação de caracteres:
normalização de strings, problemas de codificação de caracteres. Detecção e localização de
erros. 5. Correção de erros. Imputação de dados: modelos básicos de imputação numérica,
imputação hot deck, imputação kNN, ajuste de valor mínimo
5. Big data: Tratamento de grandes conjuntos de dados no R. Estratégias para uso
de big data no R. Computação em paralelo.
Bibliografia
DALGAARD, P. Introductory statistics with R. Springer, 2002.
DE JONGE, E.; VAN DER LOO, M. An introduction to data cleaning with R. Statistics
Netherlands, The Hauge, 2013.
GENTLE, J. E. Computational Statistics. New York: Springer, 2009.
PRAJAPATI, V. Big data analytics with R and hadoop. Packt Publishing, 2013.
VAN DEN BROECK, J. et al. Data cleaning: detecting, diagnosing, and editing data
abnormalities. PLoS Med, v. 2, n. 10, p. e267, 2005.
DE JONGE, E.; VAN DER LOO, M. An introduction to data cleaning with R. Statistics
Netherlands, The Hauge, 2013.
GENTLE, J. E. Computational Statistics. New York: Springer, 2009.
PRAJAPATI, V. Big data analytics with R and hadoop. Packt Publishing, 2013.
VAN DEN BROECK, J. et al. Data cleaning: detecting, diagnosing, and editing data
abnormalities. PLoS Med, v. 2, n. 10, p. e267, 2005.
Bibliografia(continuação)
Não informado
Bibliografia complementar
Não informado