1 Fundamentos de ciência de dados. 1.1 Estudo de conceitos relacionados à ciência de dados: mentalidade orientada a dados, inferência estatística, análise de dados exploratória, o processo da ciência de dados, os processos de negócios versus ciência de dados. 1.2 Visão geral sobre algoritmos: regressão, similaridade, vizinhos, agrupamentos. 1.3 Pensamento analítico: visualização, aplicações, fundamentos de inteligência artificial, representação do conhecimento, raciocínio e planejamento, agentes e sistemas multiagentes, robótica, machine learning, deep learning, conceitos de processamento da língua natural, conceitos de visão computacional. 2 Python para ciência de dados. 2.1 Introdução a vetores e suas operações com Numpy. 2.2 Uso de matrizes e suas operações: medidas populacionais, amostragem. 2.3 Utilização de Pandas aplicando dataframes e suas operações: séries e suas operações, medidas populacionais e entrada e saída. 2.4 Utilização de Matplotlib para visualização, por meio de gráficos de dispersão, gráficos de linhas, projeções populacionais e outros tipos de visualização. 2.5 Introdução ao Scikit-Learn, explorando características básicas de modelos de aprendizado (classificação, regressão e agrupamento) e medidas de avaliação. 3 Noções de estatística para ciência de dados. 3.1 Noções de linguagem R e sua interface com Python. 3.2 Elementos de estatística descritiva, inferencial e preditiva. 3.3 Abordagens clássicas, bayesiana e de modelagem algorítmica. 3.4 Previsão de séries temporais. 3.5 Noções de inteligência artificial aplicadas à inteligência de negócios. 3.6 Noções de big data.