2 Data Warehouse. 2.1 Definição e características de um Data Warehouse. 2.2 Data Mart. 2.3 Processamento de Transações em tempo real: OLTP e OLAP. 2.4 Modelagem Multidimensional. 2.5 Bancos de Dados Multidimensionais. 2.6 Projeto de Data Warehouse. 2.7 Conceitos de extração, transformação e carga (ETL). (Parte 1)
2 Data Warehouse. 2.1 Definição e características de um Data Warehouse. 2.2 Data Mart. 2.3 Processamento de Transações em tempo real: OLTP e OLAP. 2.4 Modelagem Multidimensional. 2.5 Bancos de Dados Multidimensionais. 2.6 Projeto de Data Warehouse. 2.7 Conceitos de extração, transformação e carga (ETL). (Parte 2)
3 Descoberta de Conhecimento e Mineração de Dados. 3.1 Conceitos básicos do processo de descoberta de conhecimento em bancos de dados (KDD). 3.2 Metodologia de KDD. 3.3 Métodos de Data Mining. 3.4 Préprocessamento de dados. 3.5 Mineração de dados: classificação, regressão, detecção de agrupamentos, descoberta de regras de associação, sumarização, modelagem de dependências, detecção de tendências e exceções.
1 Big Data. 1.1 Definição de Big Data. 1.2 Bancos de dados na nuvem. 1.2.1 O paradigma de computação na nuvem. 1.2.2 Requisitos de gerência de dados na nuvem. 1.2.3 Categorias de bancos de dados na nuvem. 1.3 Infraestruturas para processamento distribuído de Big Data: Hadoop, Spark, Kafka.
3.6 Visualização de Dados.
4 Aprendizado de máquina. 4.1 Tipos de aprendizado de máquina: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. 4.2 Algoritmos de aprendizado de máquina: regressão, árvores de decisão, redes neurais, máquinas de vetor de suporte e algoritmos de agrupamento. (Aprendizado Supervisionado e NÃO Supervisionado)
4 Aprendizado de máquina. 4.1 Tipos de aprendizado de máquina: aprendizado supervisionado, aprendizado não supervisionado e aprendizado por reforço. 4.2 Algoritmos de aprendizado de máquina: regressão, árvores de decisão, redes neurais, máquinas de vetor de suporte e algoritmos de agrupamento. (Redes Neurais)
