Ementa: Apresentação do curso e seu regimento interno. Apresentação do corpo docente. Metodologia científica. Desenvolvimento de pesquisa. Pesquisa aplicada e inovação. Escrita científica (projeto, artigo e dissertação). Definição dos objetivos de pesquisa. Revisão bibliográfica sistemática. Metodologia de pesquisa. Desenho de experimentos. Análise e apresentação dos resultados (artigos, dissertação, apresentação de seminários etc.). Ética em pesquisa.

Ementa: Fundamentos matemáticos da computação; modelos de computação e linguagens formais; autômatos finitos e linguagens regulares; autômatos de pilha e linguagens livres de contexto; máquinas de Turing e computabilidade; tese de Church-Turing; problemas decidíveis e indecidíveis; redutibilidade e completude; introdução à teoria da complexidade computacional; classes de complexidade P e NP; problemas NP-completos; reduções polinomiais; teorema de Cook-Levin; exemplos clássicos de problemas NP-completos; complexidade de espaço; hierarquias de complexidade.

Ementa: Orientação de dissertação através de avaliação de relatórios de resultados, apresentação em seminário, escrita de artigos e reuniões de acompanhamento de trabalhos.

Ementa: Orientação de dissertação através de avaliação de relatórios de resultados, apresentação em seminário, escrita de artigos e reuniões de acompanhamento de trabalhos.

Ementa: Estágio docente conforme orientação do professor da disciplina.

Ementa:
Participação em projeto de extensão conforme orientação do professor da disciplina.

Ementa:
Fundamentos filosóficos da tecnologia e inteligência artificial; teorias éticas aplicadas à tecnologia; vieses algorítmicos e discriminação automatizada; privacidade, vigilância e direitos digitais; transparência, explicabilidade e accountability em sistemas de IA; impactos sociais e econômicos da automação; ética em machine learning e big data; regulamentação e governança de IA; questões de gênero, raça e classe na tecnologia; futuro do trabalho e desigualdades digitais; responsabilidade social corporativa em tecnologia; casos práticos e dilemas éticos contemporâneos; metodologias para avaliação ética de sistemas tecnológicos.

Ementa:
Definição de IA; fundamentos científicos e histórico da área; agentes inteligentes; métodos de busca e heurísticas; busca adversária; problemas de satisfação de restrição; agentes lógicos; lógica de primeira ordem e inferência; planejamento clássico; representação de conhecimento; raciocínio probabilístico e temporal; tomada de decisão; aprendizado por exemplos e modelos probabilísticos; redes neurais artificiais; aprendizagem por reforço; aprendizado de máquina; processamento de linguagem natural; percepção; robótica; IA e o futuro.

Ementa:
Fundamentos de processamento de imagens; áreas de aplicação; formação de imagens e atributos de imagens digitais; filtros 2D; amostragem e quantização; técnicas de melhoramento; segmentação; representação e descrição; operações lógicas e aritméticas entre imagens; transformada de Fourier; filtragem no domínio espacial e da frequência.

Ementa:
Introdução à visão computacional; processos envolvidos; detecção e reconhecimento de objetos; análise e classificação de movimentos; rastreamento de objetos; classificação e representação de imagens; extração de características e descritores; aplicações.

Ementa:
Introdução à visão computacional; conceitos fundamentais, aplicações e contexto histórico; classificação de imagens com métodos baseados em k-vizinhos e classificadores lineares; regularização e otimização; redes neurais artificiais (MLP); redes neurais convolucionais (ConvNets); detecção de objetos; segmentação semântica.

Ementa:
Fundamentos teóricos do reconhecimento de padrões e classificação; modelos estatísticos e teoria da decisão bayesiana; medidas de similaridade e separabilidade de classes; extração, seleção e projeção de características; redução de dimensionalidade (LDA, PCA); métodos de agrupamento (k-means, clustering hierárquico); análise de forma, textura e distribuição de dados; avaliação e visualização de estruturas em espaços de características; aplicações em biometria, OCR e classificação de sinais; ética, viés algorítmico e interpretabilidade.

Ementa:
Fundamentos e paradigmas do aprendizado de máquina (supervisionado, não supervisionado e por reforço); modelos lineares e não lineares (regressão, SVM, árvores, ensembles); algoritmos de agrupamento (k-means, DBSCAN, hierárquico); redução de dimensionalidade (PCA, t-SNE, UMAP); avaliação e validação de modelos; seleção de atributos e engenharia de características; pipeline de machine learning; introdução ao aprendizado profundo; aplicações em ciência de dados, visão computacional e processamento de linguagem natural.

Ementa:
Fundamentos das redes neurais artificiais; modelos de neurônios; arquiteturas clássicas e modernas (Perceptron, MLP, RBF, RNN, LSTM, GRU, CNN, autoencoders, transformadores); funções de ativação, critérios de erro e métodos de treinamento; aprendizado supervisionado, não supervisionado e por reforço; regularização e otimização; uso de frameworks como TensorFlow e PyTorch; aplicações em classificação, regressão, reconhecimento de padrões e séries temporais; considerações éticas e interpretabilidade.

Ementa:
Fundamentos de séries temporais e processos estocásticos; análise exploratória e visualização; modelos clássicos como ARIMA; uso de machine learning e deep learning (RNN, LSTM, GRU, CNN, Transformers); modelos híbridos e ensemble; previsão multivariada; regularização e otimização; AutoML; modelos pré-treinados e transfer learning; avaliação de modelos; aplicações práticas com TensorFlow/Keras e PyTorch; aplicações em finanças, IoT e ciência de dados.

Ementa:
Fundamentos de PLN e sua importância; conceitos de linguística computacional; pré-processamento de texto (tokenização, stopwords, stemming, lematização); representação de texto (Bag-of-Words, TF-IDF, embeddings); modelos de linguagem; introdução ao aprendizado de máquina aplicado ao PLN; fundamentos de redes neurais profundas; aplicações práticas com ferramentas como Spacy, NLTK, Keras e PyTorch.

Ementa:
Representação vetorial de textos (embeddings); redes neurais recorrentes (RNNs); fundamentos de modelos de linguagem; arquitetura Transformers; classificação automática de texto; reconhecimento de entidades nomeadas; recuperação de informação; introdução a LLMs; implementações práticas com bibliotecas como PyTorch, Keras, TensorFlow, Spacy, NLTK e Transformers.

Ementa:
Conceitos de ciência de dados; processos de ETL; mineração de dados e descoberta de conhecimento; análise exploratória; aplicação de algoritmos de aprendizado de máquina; conceitos de Big Data; visualização de dados; fundamentos de Business Intelligence, Data Warehouse e Data Marts; cubos e dados históricos; aplicações em sistemas de recomendação.

Ementa:
Introdução a sistemas complexos; teoria dos grafos; representação por redes complexas; modelos de redes (Erdos-Renyi, Watts-Strogatz, Barabasi-Albert); seis graus de separação; medidas de centralidade; hubs e crescimento de redes; robustez, modularidade e motifs; aplicações em internet, redes sociais, biológicas e socioeconômicas; visualização de redes.

Ementa:
Recorrência; algoritmos em grafos (busca, árvore geradora mínima, roteamento); modelagem com programação linear e programação linear inteira; heurísticas; estudo e implementação de métodos de matemática computacional aplicados a problemas atuais.

Ementa:
Técnicas para otimização combinatória; heurísticas clássicas e metaheurísticas; recozimento simulado, busca tabu, busca local iterativa, busca em vizinhança variável, GRASP, algoritmos genéticos, colônia de formigas; aplicações em problemas como caixeiro viajante, mochila, roteamento de veículos, alocação, sequenciamento, localização e empacotamento.

Ementa:
Modelagem conceitual; ontologias de referência e operacionais; níveis de generalidade; fundamentação ontológica; categorias e propriedades dos tipos de objetos; modelagem de ontologias; linguagens de representação; padrões ontológicos; validação e transformação de ontologias.

Ementa:
Definições, tipos e aplicações de ontologias; métodos de engenharia de ontologias; linguagens de representação e implementação; definição de escopo e requisitos; modelagem conceitual, design e implementação; reutilização, integração, transformação e aplicação de ontologias.

Ementa:
Fundamentos da verificação formal; métodos formais para especificação e verificação; lógicas temporais; model checking; sistemas de transição; linguagens de especificação; TLA+; sistemas concorrentes e distribuídos; abstração e refinamento; verificação de propriedades (segurança, vivacidade, justiça); ferramentas de verificação; estudos de caso e desafios.

Ementa:
Métodos de avaliação de desempenho; distribuição de tempos de serviço; técnicas e ferramentas de medição; relação entre medidas e desempenho; processos estocásticos; cadeias de Markov; parâmetros e métricas de filas; modelos clássicos de filas; filas com prioridade; redes de filas; estudos de caso.

Revisão dos fundamentos de redes de computadores; modelos de referência OSI e TCP/IP; protocolos das camadas de aplicação, transporte, rede, enlace e física; programação de aplicações de rede utilizando sockets. Redes Definidas por Software (SDN): arquitetura, plano de controle, plano de dados, controladores e aplicações. Virtualização e emulação de redes. Testes e automação em redes: geração e análise de tráfego, monitoramento e avaliação de desempenho. Discussão sobre tendências modernas em redes de computadores, tais como redes de datacenter, computação em nuvem, Internet das Coisas, programabilidade do plano de dados, cibersegurança e inteligência artificial.

Definição de Redes Definidas por Software. A separação dos planos de controle e encaminhamento (ou dados). Arquitetura e Protocolo OpenFlow. Arquitetura PISA e Linguagem P4. Outras arquiteturas e protocolos para Redes Definidas por Software. Plataformas de controle de Redes Definidas por Software. Ferramentas para emulação e switches virtuais para Redes Definidas por software. Implementação de uma Rede Definida por Software.

Caracterização da Internet das Coisas (IoT). Dispositivos para IoT. Sistemas embarcados e sensoriamento remoto. Gateways para IoT. Middlewares para IoT. Tecnologias de rede sem fio e protocolos para comunicação em IoT. Armazenamento e processamento de dados gerados pela IoT (correlação com Big Data). Plataformas distribuídas de processamento de dados para IoT. Experimentação em IoT. Aplicações em Cidades Inteligentes.

Definições e taxonomia. Virtualização: servidores, desktops e funções de rede. Redes Virtuais: túneis GRE e VxLAN. White box vs black box: bare metal switches e sistemas operacionais para funções de redes (ONIE, Open vSwitch e PicaOS). Armazenamento: storage e sistemas de armazenamento em nuvem. Orquestradores de Nuvens Privadas. Instalação e configuração de um orquestrador de infraestrutura (OpenStack). Nuvens públicas: configuração de um ambiente público (AWS ou Azure).

Fundamentos de sistemas distribuídos e criptografia aplicada; tecnologia blockchain e arquiteturas descentralizadas; criptomoedas e protocolos de consenso; Bitcoin: funcionamento, transações e mineração; Ethereum e máquinas virtuais descentralizadas; contratos inteligentes e linguagens de programação para blockchain; desenvolvimento de aplicações descentralizadas (DApps); finanças descentralizadas (DeFi) e tokens; protocolos de consenso: Proof of Work, Proof of Stake e variações; escalabilidade e soluções de segunda camada; aspectos econômicos e regulatórios; segurança em blockchain e auditoria de contratos; aplicações práticas e estudos de caso.

Fundamentos da programação funcional; cálculo lambda e fundamentos teóricos; linguagens funcionais puras e impuras; sistemas de tipos e inferência de tipos; funções de alta ordem e composição funcional; recursão e indução estrutural; estruturas de dados funcionais e imutáveis; avaliação preguiçosa e estrita; mônadas e programação monádica; programação orientada a objetos funcional; técnicas de modelagem funcional de problemas; programação funcional reativa; paralelismo e concorrência em Scala; aplicações práticas da programação funcional; comparação entre paradigmas funcionais e imperativos.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.

Disciplina de conteúdo variável, que visa apresentar novos tópicos de pesquisa na área de Inteligência Artificial e/ou atender aos interesses específicos das linhas de pesquisa do Programa.