EQUIPE DOCENTE
1 crédito (15 horas)
Sextas-feiras das 10h às 11h 30 min
17 de jan. - 28 de fev.
Aulas síncronas online
EXPECTATIVAS PARA O CURSO
Automatização de tarefas
Com os conhecimentos adquiridos no curso, os alunos estarão aptos a desenvolver rotinas em Python para a automatização de tarefas. No contexto do laboratório, isso inclui, por exemplo, a coleta e o processamento de dados de ensaios, a criação de planilhas e relatórios, o envio automatizado de emails com base em critérios pré-definidos, o monitoramento de páginas da web, entre outras aplicações práticas.
Produção de gráficos
Os alunos também serão capazes de criar gráficos altamente personalizáveis, gerados a partir de grandes conjuntos de dados, com a capacidade de produzir centenas de resultados em questão de segundos. Esses gráficos podem ser exportados em formato vetorial, garantindo qualidade superior de imagem mesmo ao aplicar zoom, o que os torna ideais para uso em relatórios e apresentações profissionais.
Ferramentas Avançadas para Modelagem e Análises
Para pesquisas de alto nível, os alunos aprenderão a desenvolver funções personalizadas utilizando ajustes baseados na técnica de minimização dos erros quadrados, permitindo a exploração de diferentes variáveis preditoras. Além disso, serão abordadas alternativas avançadas, como aprendizado de máquina e técnicas de redes neurais, para a análise de correlação entre hiperparâmetros, ampliando as possibilidades de investigação e modelagem em estudos complexos.
CRONOGRAMA DA DISCIPLINA
| Data | Aulas | Conteúdo |
|---|---|---|
|
17/01 |
Aula 1 |
Introdução à programação: instalação e configuração do VS Code;
tutorial GitHub; declaração de variáveis (int, float, str); exibir dados
com print(); estruturas condicionais (if, elif, else); desafio 1. |
|
Aula 2 |
Loops e operações matemáticas: criar, adicionar, remover e acessar
itens de uma lista; loop for e iterar sobre listas; utilização de
bibliotecas; introdução à biblioteca math; operadores sqrt(), pow() e
floor(); desafio 2.
|
|
|
24/01 |
Aula 3 |
Loop while: estrutura do loop while; contadores e condições de
parada; desafio 3. |
|
Aula 4 |
Tuples e dicionários: particularidades dos tuples; compreender a
estrutura chave-valor de dicionários, adicionar, remover e acessar
itens por chave; desafio 4. |
|
|
31/01 |
Aula 5 |
Funções e tratamento de exceções: criação de funções (def(args));
estrutura de exceções (try, except e finally); identificação e
tratamento de erros comuns; desafio 5. |
|
Aula 6 |
Introdução ao Pandas e NumPy: importar as bibliotecas Pandas e
NumPy; criar arrays com NumPy; criar DataFrames com Pandas;
desafio 6. |
|
|
07/02 |
Aula 7 |
Manipulação de DataFrames: adicionar e remover linhas/colunas;
seleção e filtragem de dados; desafio 7. |
|
Aula 8 |
Operações com DataFrames: operações matemáticas e estatísticas
(mean(), sum()…); uso de funções para aplicar operações a colunas
específicas; desafio 8. |
|
|
14/02 |
Aula 9 |
Visualização de dados com o Pandas: criar gráficos básicos com o
Pandas; tipos de gráficos e suas aplicabilidades; personalização de
gráficos; desafio 9. |
|
Aula 10 |
Limpeza de dados: dados ausentes (isnul(), dropna() e fillna());
conversão de tipos de dados e formatação; desafio 10. |
|
|
21/02 |
Aula 11 |
Manipulação avançada de dados: uso de funções avançadas da
biblioteca Pandas (groupby(), merge(), concat()…); operações com
arrays NumPy para otimização de cálculos em grandes conjuntos de
dados; desafio 11. |
|
28/02 |
Aula 12 |
Palestra extra sobre inteligência artificial, aprendizado de máquina e
redes neurais. |
