SEP5859 - Introdução ao Aprendizado de Máquina na Gestão de Operações (2025)

Capacitar os alunos a compreender e aplicar os principais conceitos e técnicas de aprendizado de máquina supervisionado e não supervisionado, com ênfase na implementação prática em Python, utilizando bibliotecas modernas para análise de dados, visualização e modelagem preditiva. Ao final da disciplina, espera-se que o aluno seja capaz de conduzir uma análise de dados completa, desde a exploração inicial até a aplicação e avaliação de modelos de machine learning. Objetivos Específicos Ao final da disciplina, o aluno deverá ser capaz de: 1. Compreender os fundamentos do aprendizado de máquina, diferenciando métodos supervisionados e não supervisionados. 2. Realizar análise exploratória de dados, com uso de bibliotecas como matplotlib, seaborn e plotly para visualização. 3. Aplicar técnicas de pré-processamento de dados, incluindo tratamento de dados ausentes, normalização, codificação de variáveis categóricas, entre outros. 4. Implementar modelos de aprendizado supervisionado, como regressão linear, regressão logística, k-vizinhos mais próximos (KNN), Naive Bayes, árvores de decisão e máquinas de vetor de suporte (SVM). 5. Implementar técnicas de clusterização, em especial o algoritmo k-means. 6. Empregar validação cruzada e otimização de hiperparâmetros, utilizando ferramentas como GridSearchCV para melhorar o desempenho dos modelos. 7. Compreender conceitos básicos de processamento de linguagem natural (PLN) e aplicar técnicas de análise de sentimentos com bibliotecas como TextBlob. 8. Avaliar o desempenho dos modelos com base em métricas apropriadas (ex.: acurácia, precisão, recall, F1-score, R², erro quadrático médio). 9. Elaborar e apresentar um projeto final, aplicando as técnicas aprendidas em um problema prático de análise de dados com machine learning.