Programa de Curso
Análise e Desenvolvimento de Sistemas · Senac Rio

Ciência de Dados e Inteligência Artificial

Da aquisição de dados à tomada de decisão no ambiente corporativo: dados transacionais e analíticos, business intelligence, data warehouse, análise exploratória, aprendizado de máquina e visualização de dados como apoio à decisão.

Professor William Firmino Módulo 5 Semestre 2026.2 Carga horária 40h · 2h/semana
Apresentação da disciplina

Sobre a disciplina

Unidade curricular que provê as competências para explorar os dados estratégicos das empresas e apoiar a tomada de decisão nos níveis operacional, tático e estratégico. O estudante entende as diferenças entre dados transacionais e analíticos, aprende a adquirir e transformar dados de fontes heterogêneas, a explorá-los em busca de insights, a modelá-los em data warehouses e data marts e a aplicar algoritmos de aprendizado de máquina — comunicando os resultados por meio de ferramentas de visualização de dados. É uma disciplina de base para o Projeto Integrador do curso, apoiada nas ferramentas de Ciência de Dados e Inteligência de Negócios.

Professor William Firmino
Professor William Firmino Faculdade de Tecnologia Senac Rio

Informações gerais

Curso de Análise e Desenvolvimento de Sistemas — Módulo 5, Turno Matutino. Encontros semanais de 2 horas.

40h / semestre 2h / semana Dados · BI · IA 2026.2

Competências e objetivos

A unidade curricular desenvolve duas competências, avaliadas por meio dos indicadores listados abaixo:

C1

Ciência de dados para decisão

Usar ciência de dados e inteligência de negócios para apoio à tomada de decisões dentro do ambiente corporativo.

C2

Métodos e sistemas inteligentes

Analisar o uso de métodos e sistemas inteligentes para análise de informações de apoio à tomada de decisões dentro do ambiente corporativo.

Indicadores de competência — ao concluir a UC, o estudante:

  • Identifica as principais diferenças entre dados transacionais e dados analíticos.
  • Define o uso adequado das técnicas, métodos e sistemas para análise das informações conforme a demanda de apoio à decisão.
  • Gera informações através da utilização de métodos e sistemas inteligentes para apoio à decisão.
  • Desenvolve programas para aplicar ciência de dados como ferramenta de apoio à tomada de decisão.
  • Faz a aquisição e transformação de dados de fontes heterogêneas para compor a massa de dados dos processos de apoio à decisão.
  • Explora dados para descobrir insights a serem utilizados nos processos de apoio à decisão.
  • Aplica algoritmos de aprendizado de máquina para suporte nos processos de apoio à decisão.
  • Interpreta dados nas ferramentas de visualização de dados para suporte nos processos de apoio à decisão.

Conteúdo programático

Bases tecnológicas da unidade curricular. Os temas marcados com ★ são os eixos principais do semestre.

01

★ Programação para Ciência de Dados

Desenvolvimento de programas para aplicar ciência de dados como ferramenta de apoio à decisão.

02

★ Aquisição de Dados

Aquisição e transformação de dados de fontes heterogêneas para compor a massa de dados analítica.

03

★ Análise Exploratória

Exploração de dados para descoberta de insights que apoiem a tomada de decisão.

04

★ Aprendizado de Máquina

Aplicação de algoritmos de aprendizado de máquina como suporte aos processos de decisão.

05

★ Visualização de Dados

Interpretação e comunicação de dados por meio de ferramentas de visualização.

06

Dados e Informação

Conceitos de dado e informação; diferenças entre dados transacionais e analíticos.

07

Data Warehouse & Data Marts

Modelagem de data warehouse e data marts para organizar dados analíticos.

08

OLAP, OLTP & ERP

Sistemas transacionais (OLTP), analíticos (OLAP) e integrados de gestão (ERP).

Estratégias didáticas

As aulas são práticas e conduzidas com foco no desenvolvimento das competências.

Desafios Laboratórios práticos Exposição dialogada

Materiais da disciplina

Atividades avaliativas

Instrumentos de avaliação

A avaliação da unidade curricular utiliza os seguintes instrumentos:

Avaliação teórica (questões ENADE) Laboratório prático Lista de exercícios

As atividades avaliativas e seus critérios serão divulgados pelo professor ao longo do semestre.

Cronograma

Encontros semanais às quartas-feiras · 2h cada · 40h no semestre. Início em 05/08/2026 (conforme Plano de Trabalho Docente 2026.2).

EncontroTemaDataStatus
01 Apresentação da UC e visão geral dos conteúdos 05/08/2026 Concluída
02 Programação para ciência de dados 12/08/2026 Concluída
03 Programação para ciência de dados 19/08/2026 Concluída
04 Programação para ciência de dados 26/08/2026 Concluída
05 Aquisição de dados de fontes heterogêneas 02/09/2026 Concluída
06 Aquisição de dados de fontes heterogêneas 09/09/2026 Concluída
07 Aquisição de dados — exploração de insights 16/09/2026 Concluída
08 Análise exploratória de dados 23/09/2026 Concluída
09 Análise exploratória de dados 30/09/2026 Próxima
10 Análise exploratória — geração de informações 07/10/2026 Aguardando
11 Aprendizado de máquina 14/10/2026 Aguardando
12 Aprendizado de máquina 21/10/2026 Aguardando
13 Aprendizado de máquina 28/10/2026 Aguardando
14 Visualização de dados 04/11/2026 Aguardando
15 Visualização de dados 11/11/2026 Aguardando
16 Visualização de dados — dados transacionais x analíticos 18/11/2026 Aguardando
17 Dados e informação 25/11/2026 Aguardando
18 Data warehouse e modelagem de dados analíticos 02/12/2026 Aguardando
19 Data marts 09/12/2026 Aguardando
20 Encerramento e avaliação final 16/12/2026 Aguardando

Bibliografia

Bibliografia básica

  • AMARAL, Fernando. Introdução à ciência de dados: mineração de dados e Big Data. Rio de Janeiro: Alta Books, 2016.
  • CAIÇARA JUNIOR, Cícero. Sistemas integrados de gestão — ERP. Curitiba: IBPEX, 2008.
  • WESTERMAN, George. O risco de TI: convertendo ameaça aos negócios em vantagem competitiva. São Paulo: M. Books, 2008.

Bibliografia complementar

  • STAREC, Cláudio. Gestão estratégica da informação e inteligência competitiva. São Paulo: Saraiva, 2006.
  • MARQUESONE, Rosangela. Big Data: técnicas e tecnologias para extração de valor dos dados. São Paulo: Casa do Código, 2018.
  • SILVA, Leandro Augusto da. Introdução à mineração de dados com aplicações em R. Rio de Janeiro: Ediouro, 2016.
  • SOUZA, Amaranta de et al. Ciência de dados, Business Intelligence e Big Data: conceitos e aplicações. Paraná: Appris, 2021.
  • WICKHAM, Adler. R para Data Science: importe, arrume, transforme, visualize e modele dados. Rio de Janeiro: Alta Books, 2019.

Pac-Man

Um joguinho pra relaxar entre os estudos. Use as setas ou WASD (no celular, use os botões). Coma todas as pastilhas e fuja dos fantasmas — as pastilhas grandes deixam eles comestíveis!

Pontos: 0 Vidas: 3
PAC-MAN
Clique em Iniciar para jogar

Recursos complementares