Master's Degree in Operational Research and Computational Intelligence
Universidade Candido Mendes – UCAM, Campos dos Goytacazes - RJ
https://mpoic.ucam-campos.br/
Dissertação: Previsão da produção de campos de petróleo utilizando redes neurais
Repositório com os arquivos de algumas disciplinas cursadas durante o mestrado.
Engenharias III
Pesquisa Operacional
- Inteligência Computacional
O objetivo desta linha é estudar e aplicar técnicas de Inteligência Computacional na solução de problemas relacionados à tomada de decisões, com objetivo de desenvolver e implantar produtos e sistemas úteis em diferentes setores de nossa Região.
- Otimização Combinatória
O objetivo principal desta linha de pesquisa é modelar/implementar algoritmos heurísticos que gerem soluções aproximadas e algoritmos exatos, que utilizam conceitos de Programação Matemática e Grafos para resolução de problemas de Otimização Combinatória
- ALGORITMOS E HEURÍSTICAS
- ESTATÍSTICA
- ESTRUTURA DE DADOS
- FLUXO EM REDES
- INTELIGÊNCIA COMPUTACIONAL
- MINERAÇÃO DE DADOS
- MINERAÇÃO DE TEXTOS
- PROGRAMAÇÃO MATEMÁTICA I
- TÓPICOS AVANÇADOS EM INTELIGÊNCIA COMPUTACIONAL
- TÓPICOS ESPECIAIS EM INTELIGÊNCIA COMPUTACIONAL - Análise Orientada a Objetos: Especificação de Abstração
Heurísticas Construtivas, Heurísticas de Melhoria, Metaheurísticas: Algoritmos Genéticos, Busca Tabu, GRASP (Gredy Randomized Adaptive Search), VNS (Variable Neighborhood Search), ILS (Iterated Local Search), GLS (Guided Local Search), Simulated Annealing, Scatter Search, Enxame de Partículas, Colônia de Formigas, etc.
Probabilidade. Distribuição de Probabilidade: Discreta e Contínua. Estatística Descritiva. Amostragem, Estimação de Parâmetros, Teste de Hipótese, Testes NãoParamétricos, Intervalo de Confiança, Análise de Variância, Comparação de Várias Médias. Intervalos de confiança para uma única população; intervalos de confiança para parâmetros de duas populações; testes de hipóteses e de aderência;ajuste de curvas pelo critério dos mínimos quadrados; regressão linear simples; regressão linear múltipla; modelos intrinsecamente lineares; previsão usando regressão linear; introdução à Estatística não-paramétrica; introdução à análise de séries temporais.
Análise de Algoritmos. Notação Assintótica, Medidas de complexidade, Algoritmos Recursivos e Algoritmos de Ordenação. Listas, Pilhas e Filas. Árvores Binárias de busca. Árvores Balanceadas, Árvore-B e Tabela Hash.
Teoria dos grafos: conceitos e terminologia. Representação computacional de grafos: matrizes de adjacência e incidência, listas de adjacência;Conexidade. Árvores. Ciclo Hamiltoniano e Ciclo Eureliano. Coloração de grafos. Métodos de busca em grafos: em profundidade e em largura. Problema da árvore geradora mínima. Algoritmos: Kruskal, Prim e Boruvka/Sollin. Problema de caminho mínimo: Algoritmos de Dijkstra e Floyd-Warshall. Problema de fluxo máximo: Teorema do fluxo máximo e capacidade de corte mínimo, algoritmo de Ford e Fulkerson e algoritmo preflowpush;Problema de fluxo de custo mínimo.
Redes Neurais: Histórico, Introdução à Inteligência Computacional, Aplicações da Abordagem Conexionista (Redes Neurais): Aproximação de Funções, Reconhecimento de Padrões, Neurônios Naturais e Neurônios Artificiais, Modelo Artificial de McCulloch e Pitts e Regra de Hebb, Perceptron e Adaline, Aplicações. Lógica Nebulosa: Conceitos Básicos, Conjuntos Fuzzy, Lógica Fuzzy, Fuzzy Engineering. Sistemas Especialistas: Conceitos, Domínios de Aplicação do Processamento de Conhecimento, Engenharia de Conhecimento, Representação de Conhecimento e Inferência, Implementação de Sistemas Especialistas: Ferramentas e Formas de Integração com Sistemas Convencionais.
Aplicações de Banco de Dados em Sistemas de Suporte à Decisão. Data Warehouse (DW): Conceitos e Aplicação. Conceito de KDD, Etapas do Processo de KDD (PréProcessamento, Mineração de Dados, Pós-Processamento). Tarefas de Mineração de Dados: Regras de Associação, Classificação, Agrupamento. Algoritmos Utilizados em Mineração de Dados: Árvores de Decisão, Redes Neurais, Indução por Regras, etc. Ferramentas de Mineração de Dados.
Processo de Descoberta de Conhecimento em Texto (KDT). Comparação de Mineração de Dados e Mineração de Texto. Análise Exploratória de Texto. Etapas do KDT. PréProcessamento de Texto: Stopwords; Stemming; Dicionário ou Thesaurus. Tarefas do Processamento. Categorização, Extração da Informação, Clusterização, Sumarização. Pós-Processamento, Métricas de Avaliação. Software Weka. Estudos de Casos, Trabalhos Práticos, Seminários, Artigos Atuais.
A Abordagem da Pesquisa Operacional na Tomada de Decisões. Modelagem Matemática e as Técnicas da Pesquisa Operacional. Programação Linear: Formulação, Interpretação Gráfica. O Método Simplex, Dualidade, Análise de Sensibilidade e de Pós-Otimização. Uso de Softwares na Resolução Computacional de Problemas de Programação Linear.
Algoritmos Genéticos, Redes Neurais e Lógica Fuzzy
Comparação do paradigma OO com o estruturado, mostrando as desvantagens do paradigma estruturado e os benefícios de OO. Princípios fundamentais de OO (abstração, encapsulamento, modularidade, hierarquia). Conceitos básicos (classes, instâncias, propriedades, operações, métodos, visibilidade, associação, agregação, composição e herança) e avançados (tipos abstratos de dados, interfaces, classes abstratas, sobrecarga, polimorfismo, classe genéricas, classes aninhadas, classes anônimas, pacotes). Modelo de Estrutura (tipos, propriedades e invariantes), Modelo de Comportamento (tipos, responsabilidades e operações) e Modelo de Colaboração (casos de uso, operações e colaborações). Organização em pacotes. Composição de modelos e especificações. Model Driven Engineering (MDE): Definição de Metamodelo; DSL (Linguagem Específica de Domínio): metamodelo + notação; Transformações entre modelos. Paradigma de Orientação a Aspectos: Definição de orientação a aspectos; Conceitos: aspectos, componentes, pontos de junção, crosscutting e weaving. Domain models e aspectos; Modelagem orientada a aspectos (AOM).