Bacharelado em

Inteligência Artificial

2019
 SERVIÇO PÚBLICO FEDERAL
UNIVERSIDADE FEDERAL DE GOIÁS
INSTITUTO DE INFORMÁTICA

Número de registro no e-MEC 1495673

Criação Resolução CONSUNI 15/2019 UFG

Reunião do Conselho Diretor 26/06/2019 (29/05?)

Diretor Sérgio Teixeira de Carvalho

Vice-Diretor Vinícius Sebba Patto

Coordenador do curso Anderson da Silva Soares

Vice-coordenador Vinícius Sebba Patto

Coordenador de estágio Fernando Marques Federson

Coordenadora de monitoria Deborah Silva Alves Fernandes

Goiânia – Goiás – Brasil

27 de novembro de 2019
Sumário
Sumário 1
Lista de acrônimos e siglas 6
Agradecimentos 9
Apresentação 10
Identicação 11
I - Contexto 12
Da aptidão do Instituto de Informática 12

Da carência de mão de obra 13

Da importância local do curso e dos indicadores socioeconômicos

regionais 13

II - Exposição de motivos 15
Dos fatores internos no INF 17

III - Objetivos 18
Objetivo geral 18

Objetivos especícos 18

IV - Expectativa da formação do prossional 19

Perl do egresso 19

Habilidades do egresso 19

V - Princípios norteadores 20
Formação Ética e Função Social do Prossional 20

Formação Técnica 21

Estratégia da denição das disciplinas 21

Articulação entre Teoria e Prática Prossional 22

Interdisciplinaridade 23

Um novo ambiente para uma nova geração 23

Disciplina “Residência em Inteligência Articial” 25

Atividades supervisionadas 25

VI - Núcleo Docente Estruturante (NDE) 25

VII - Política e gestão de estágio não obrigatório 26
VIII - Trabalho de Conclusão de Curso (TCC) 27
IX - Integração ensino, pesquisa e extensão 27
X - Avaliação do processo de ensino e aprendizagem 28
XI - Avaliação do projeto pedagógico de curso 30
1
XII - Política de qualicação 30
XIII - Requisitos legais e normativos 31
a) Condições de Acesso para Pessoas com Deciência e/ou Mobilidade
Reduzida 31

b) Diretrizes Curriculares Nacionais do Curso 31

c) Diretrizes Nacionais para Educação em Direitos Humanos 32

d) Educação das Relações Étnico-Raciais e para o Ensino de História e

Cultura Afro-Brasileira e Africana 32

Disciplinas de graduação obrigatórias 32

Programa institucional 33

e) Informações acadêmicas 33

f) Libras 33

g) Política de educação ambiental 34

Planejamento das disciplinas 34

Disciplinas obrigatórias 34

Programa institucional 35

h) Proteção dos direitos da pessoa com Transtornos do Espectro Autista

35

i) Titulação do corpo docente 35

j) Diretrizes para a Extensão na Educação Superior Brasileira 36

XIV - Estrutura Curricular 37

Matriz curricular 37

Núcleo livre 40

Atividades complementares 41

Distribuição da carga horária 41

Fluxo sugerido 41

Disciplinas de formação básica (obrigatórias) 46

Introdução à Programação 46

Lógica Matemática 46

Cálculo 1A 47

Algoritmos e Estruturas de Dados 1 47

Programação Orientada a Objetos 47

2
 Computação e Sociedade 48

Análise e Projeto de Algoritmos 48

Algoritmos e Estruturas de Dados 2 48

Banco de Dados 49

Probabilidade e Estatística A 49

Arquitetura de Computadores 50

Álgebra Linear 50

Redes de computadores 50

Disciplinas optativas 52
Computação Móvel e Ubíqua 52

Desenvolvimento de Sistemas para Web 52

Engenharia de Soware 52

Interação Humano-Computador 53

Introdução à Língua Brasileira de Sinais 54

Jogos Digitais 54

Pesquisa Operacional 54

Segurança e Auditoria de Sistemas 54

Sistemas de Apoio à Decisão 55

Sistemas Distribuídos 55

Sistemas Inteligentes de Apoio à Decisão 55

Sistemas Multiagentes 56

Sistemas Operacionais 56

Visualização de Informações 56

Web Semântica 57

Disciplinas especícas do BIA (obrigatórias) 58

Condições mínimas 58

Empreendedorismo 59

Transformação Digital 59

Pensamento Analítico de Dados 60

Mineração de Dados 61

3
 Aprendizado de Máquina Supervisionado 61

Processamento Digital de Sinais e Imagens 62

Heurística e Modelagem Multiobjetivo 62

Redes Neurais Profundas 63

Visão Computacional 63

Computação de Alto Desempenho 64

Internet das Coisas 65

Processamento de Linguagem Natural 65

Aprendizado de Máquina Não Supervisionado 66

Aprendizado de Máquina por Reforço 66

Processamento de Dados Massivos 67

Percepção e Ação Robótica 67

Apoio à Tomada de Decisão 68

Processamento de Áudio e Voz 68

Pesquisa e Inovação 69

Residência em Inteligência Articial 69

Referências 72
Apêndice A 74
A.1 - Disciplinas obrigatórias 74
Introdução à Programação 74

Lógica Matemática 75

Empreendedorismo 75

Cálculo 1A 76

Algoritmos e Estruturas de Dados 1 76

Programação Orientada a Objetos 77

Computação e Sociedade 77

Transformação Digital 78

Análise e Projeto de Algoritmos 79

Banco de Dados 80

Algoritmos e Estruturas de Dados 2 81

Probabilidade e Estatística A 81
4
 Pensamento Analítico de Dados 82

Arquitetura de Computadores 83

Álgebra Linear 84

Mineração de Dados 84

Aprendizado de Máquina Supervisionado 85

Processamento Digital de Sinais e Imagens 85

Redes de Computadores 86

Heurísticas e Modelagem Multiobjetivo 86

Redes Neurais Profundas 87

Visão Computacional 88

Computação de Alto Desempenho 88

Internet das Coisas 89

Processamento de Linguagem Natural 89

Aprendizado de Máquina Não Supervisionado 90

Aprendizado de Máquina por Reforço 91

Processamento Dados Massivos 91

Percepção e Ação Robótica 92

Apoio à Tomada de Decisão 92

Processamento de Áudio e Voz 93

Pesquisa e Inovação 94

Residência em Inteligência Articial 94

A.2 - Disciplinas optativas 95

Computação Móvel e Ubíqua 95

Desenvolvimento de Sistemas para Web 95

Engenharia de Soware 96

Interação Humano-Computador 96

Introdução à Língua Brasileira de Sinais 97

Jogos Digitais 98

Pesquisa Operacional 98

Segurança e Auditoria de Sistemas 99

5
Sistemas de Apoio à Decisão 99

Sistemas Distribuídos 100

Sistemas Inteligentes de Apoio à Decisão 101

Sistemas Multiagentes 102

Sistemas Operacionais 102

Visualização de Informações 103

Web Semântica 103

6
Lista de acrônimos e siglas
AC Atividade Complementar

ACM Association for Computing Machinery

BES Bacharelado em Engenharia de Software

BIA Bacharelado em Inteligência Artificial

BSI Bacharelado em Sistemas de Informação

CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

CC Ciências da Computação (bacharelado)

CEPEC Conselho de Ensino, Pesquisa, Extensão e Cultura

CES Câmara de Educação Superior

CHT Carga Horária Total

CNE Conselho Nacional de Educação

CNPq Conselho Nacional de Desenvolvimento Científico e Tecnológico

COMTEC Comunidade Tecnológica de Goiás

CONAES Comissão Nacional de Avaliação da Educação Superior

CONSUNI Conselho Universitário

CPC Conceito Preliminar de Curso

CR Correquisito

CTS Centro Tecnológico de Software

DCN Diretrizes Curriculares Nacionais

ENADE Exame Nacional de Desempenho de Estudantes

EPE Ensino, Pesquisa e Extensão

ERI-GO Escola Regional de Informática de Goiás

ES Engenharia de Software

FAPEG Fundação de Apoio à Pesquisa do Estado de Goiás

FL Faculdade de Letras

FUNAPE Fundação de Apoio à Pesquisa

IA Inteligência Artificial

IBGE Instituto Brasileiro de Geografia e Estatística

7
IEEE Institute of Electrial and Electronics Engineers

IES Instituição de Ensino Superior

IME Instituto de Matemática e Estatística

INF Instituto de Informática

LIBRAS Língua Brasileira de Sinais

MEC Ministério da Educação

NBC Núcleo Básico Comum

NC Núcleo Comum

NDE Núcleo Docente Estruturante

NE Núcleo Específico

NEOB Núcleo Específico Obrigatório

NEOP Núcleo Específico Optativo

NL Núcleo Livre

OBI Olimpíada Brasileira de Informática

OBR Disciplina Obrigatória

OPT Disciplina Optativa

PDI Plano de Desenvolvimento Institucional

PFC Projeto Final de Curso

PIBIC Programa Institucional de Bolsas de Iniciação Científica

PIBITI Programa Institucional de Bolsas de Iniciação em Desenvolvimento Tecnológico

e Inovação

PIVIC Programa Voluntário de Iniciação Científica

PIVITI Programa Voluntário de Iniciação Tecnológica

PLS Plano de Logística Sustentável

POSCOMP Exame Nacional para Ingresso na Pós-Graduação em Computação

PPC Projeto Pedagógico de Curso

PR Pré-requisito

PROBEC Programa de Bolsas de Extensão e Cultura

PROGRAD Pró-reitoria de Graduação

8
PROVEC Programa de Voluntários de Extensão e Cultura

REUNI Reestruturação e Expansão das Universidades Federais

RGCG Regulamento Geral dos Cursos de Graduação

SBC Sociedade Brasileira de Computação

SI Sistemas de Informação

SISU Sistema de Seleção Unificada

TAE Técnico-administrativo em Educação

TCC Trabalho de Conclusão de Curso

TI Tecnologia da Informação

TIC Tecnologia da Informação e Comunicação

UFG Universidade Federal de Goiás

9
Agradecimentos

A Deus, por tudo.

10
Apresentação
O curso de Bacharelado em Inteligência Articial (BIA) é oferecido pelo
Instituto de Informática (INF) da Universidade Federal de Goiás (UFG). Este
Projeto Pedagógico do Curso (PPC) é fruto de um processo de reexão e
discussão realizado por professores do INF durante mais de dois anos, dando
origem ao primeiro curso de Bacharelado em Inteligência Articial (BIA) no
Brasil até o momento.

A motivação deste projeto pedagógico vem da busca pelo

empreendedorismo, inovação e preenchimento de uma lacuna no ensino
superior em Computação, que pode ser adequadamente compreendida com
o entendimento dos fatores que levaram à criação do curso e do cenário no
qual ele está inserido (p. - Contexto); o que remete a William Pollard,
segundo o qual “sem mudança, não há inovação, criatividade ou incentivo
para melhorias. Aqueles que iniciam a mudança terão uma oportunidade
melhor de administrar a mudança que é inevitável”.

Os requisitos legais e normativos para cursos superiores de bacharelado

foram considerados na elaboração deste PPC, bem como as Diretrizes
Curriculares Nacionais (DCN) para os cursos de Computação.

Por se tratar de um curso novo, há de se esperar um egresso com perl

diferente dos pers de egressos dos cursos tradicionais em Computação:
Ciência da Computação, Engenharia de Computação, Engenharia de
Soware, Licenciatura em Computação e Sistemas de Informação (p. ).

A estrutura curricular é inovadora e tem papel de destaque neste PPC (p. ). O

uxo sugerido, nos quatro primeiros períodos, inclui majoritariamente
disciplinas de formação básica em Computação e Matemática. As descrições
das disciplinas especícas de Inteligência Articial (IA) são acompanhadas de
uma seção adicional, chamada de “Condições mínimas” (p. ), que estabelece
competências a serem demonstradas/adquiridas pelo estudante ao nal de
cada uma das disciplinas. No último período, a disciplina de Residência em
Inteligência Articial (p. ) tem um carácter integrador, com carga horária de
384 horas. Além disso, os estudantes estarão inseridos em um ambiente

11
acadêmico (p. ) onde atividades de Pesquisa e Inovação serão realizadas como
parte inerente da sua formação.

12
Identificação

Nome do curso Inteligência Articial

Grau acadêmico Bacharelado

Título do egresso Bacharel(a) em Inteligência Articial

Área de conhecimento Ciências Exatas e da Terra (1.00.00.00-3)

(CNPq)
Ciência da Computação (1.03.00.00-7)
Metodologia e Técnicas da Computação (1.03.03.00-6)

Modalidade Presencial

Local de oferta Instituto de Informática (UFG)

Alameda Palmeiras, Quadra D, Câmpus Samambaia
Goiânia (GO), CEP 74690-900

Reconhecimento Sem avaliacão ainda

Responsável Instituto de Informática (INF)

Unidades executoras Instituto de Informática (INF)

Instituto de Matemática e Estatística (IME)
Faculdade de Letras (FL)

Número de vagas 40 (quarenta) vagas ofertadas no primeiro semestre do ano

letivo.

Carga horária 3.200h (três mil, duzentas horas), coerente com as Diretrizes
Curriculares Nacionais para os Cursos de Graduação em
Computação.

Duração do curso em Mínimo de 8 (oito) semestres e máximo de 14 (quatorze)

semestres semestres, em conformidade com a Resolução CNE/CES nº
2, de 18 de Junho de 2007, que dispõe sobre a carga horária
mínima e procedimentos relativos à integralização e
duração dos cursos de graduação, bacharelados, na
modalidade presencial, e com a Resolução CNE/CES nº 3 de
2 de julho de 2007, que dispõe sobre procedimentos a serem
adotados quanto ao conceito de hora-aula.

Turno de Integral
funcionamento

Forma de ingresso SiSU (Sistema de Seleção Unicada) e, em casos especiais,

por meio de: processos seletivos; transferência ex ocio;
convênios ou acordos culturais; e reciprocidade

13
diplomática. Os critérios de ingresso serão denidos pela
UFG em legislação especíca ou em editais.

14
I - Contexto
O Bacharelado em Inteligência Articial (BIA) foi criado em um contexto no
qual se destacam três principais aspectos: a aptidão do Instituto de
Informática; a carência de mão de obra apta a lidar com IA no mercado,
academia e órgãos públicos; e a importância local do curso. Os três são
detalhados nas seções a seguir.

Da aptidão do Instituto de Informática

A UFG tem sido uma instituição de referência no ensino e pesquisa em
Computação e Informática no Estado de Goiás, desde a década de 70 com a
criação do Departamento de Estatística e Informática (DEI). Em 1983, foi
criado o curso de bacharelado em Ciência da Computação. Em 1996, o DEI
deu origem ao Instituto de Informática (INF).

A partir de 2009, foram criados mais dois cursos de graduação: o

Bacharelado em Engenharia de Soware (BES), sendo o primeiro curso da
modalidade no Brasil; e o Bacharelado em Sistemas de Informação (BSI). O
INF também é responsável pela oferta de dezenas de disciplinas da área de
Computação para diversos cursos de graduação da UFG.

Na pós-graduação lato sensu, o INF já ofertou dezenas de edições dos mais

variados cursos de especialização na área de Computação. Na pós-graduação
stricto sensu o INF oferece, desde 2001, o Mestrado Acadêmico em Ciência da
Computação. A partir de 2010, o INF passou a oferecer o Doutorado
Acadêmico em Ciência da Computação em parceria com a Universidade
Federal do Mato Grosso do Sul. Em 2018, o programa de Mestrado
Acadêmico em Ciência da Computação se tornou também um programa de
Doutorado.

Essa história perfaz mais de três décadas de ensino, marcada por diversos
projetos de Pesquisa, Ensino e Extensão; por milhares de egressos, alguns
deles ocupando cargos de destaque em universidades, empresas e
organizações tanto no Brasil quanto no exterior; além de um corpo de
docentes e de técnico-administrativos altamente qualicados.

15
O INF construiu, ao longo desse período, um consistente envolvimento com
empresas e organizações de Tecnologia da Informação e Comunicação (TIC).
O Apoema [APOEMA] é o órgão do INF responsável pela cooperação e
interação com organizações externas, com foco em soluções inovadoras.

Um número signicativo de projetos de Pesquisa e Desenvolvimento (P&D)

já foi contabilizado pelo INF em parceria com organizações locais, e alguns
com empresas multinacionais (como Dell, HP e Samsumg). O INF também já
participou de vários projetos de inovação tecnológica nanciados pela
Fundação de Apoio à Pesquisa do Estado de Goiás (FAPEG). Nos últimos
anos, os maiores destaques se deram para os projetos de P&D que se
apoiaram em técnicas da IA.

Da carência de mão de obra

Um dos motivos para a existência do BIA é a necessidade de formar recursos
humanos em Inteligência Articial. A demanda por prossionais
especializados na produção de sistemas inteligentes e autônomos não existe
apenas no exterior, nem tampouco nos grandes centros do Brasil, ela faz
parte da realidade de diversas regiões brasileiras, incluindo o Estado de
Goiás.

Apesar da demanda do mercado, na ocasião do estudo de viabilidade da

criação do BIA no INF (início de 2019), no Brasil não havia curso de
Inteligência Articial, apenas um curso de bacharelado presencial em
“Ciência de Dados e Inteligência Articial”, oferecido por uma Instituição de
Ensino Superior (IES) privada. Ao longo da criação do BIA no INF (ano de
2019), surgiram também outros dois cursos de Ciência de Dados e
Inteligência Articial, sendo um presencial e o outro, à distância (ambos em
IES privadas). A tradição do INF, na socialização da Computação, juntamente
com a atuação em Inteligência Articial do seu corpo docente, resultou em
proposta pioneira no País de um curso especicamente voltado para a
formação de Bacharéis em IA, com ênfase na produção de sistemas
inteligentes e autônomos.

A região da Grande Goiânia reúne centenas de empresas de TIC, porém elas

participam de forma tímida no mercado nacional de sistemas inteligentes e
16
autônomos. Além de uma indústria de TIC promissora, há também na região
recursos humanos qualicados, disponibilizados especialmente a partir dos
cursos de graduação e pós-graduação, dos quais o INF é um dos
protagonistas. Favorecem também esse cenário a dimensão do Estado de
Goiás, nona economia nacional, e a consolidação da Indústria 4.0, que se
torna mais presente. Portanto, a criação do BIA não apenas favorece a
popularização do uso da Inteligência Articial em Goiás, mas também
signica a oxigenação da indústria de TIC e do mercado em geral, um salto
em qualidade na academia e suporte ao setor público em suas mais
diferentes formas de manifestação.

Da importância local do curso e dos indicadores socioeconômicos

regionais
O BIA cria a possibilidade de acesso ao ensino superior para aqueles que não
podem usufruir do ensino privado. Segundo o IBGE [IBGE], em Goiás,
62.133 estudantes de graduação frequentavam cursos públicos em 2010,
enquanto 156.415 estavam matriculados em cursos privados. Ou seja,
estudantes em cursos públicos representam menos de 30% do total de
estudantes matriculados no ensino superior.

O rendimento nominal médio mensal domiciliar per capita de todos os

municípios brasileiros revela que, das cidades goianas, a capital do estado é a
melhor posicionada, em vigésimo quarto lugar. O município goiano seguinte
nesta classicação é Alto Paraíso de Goiás, na posição 158. O terceiro é Jataí,
na posição 188. Até esta terceira aparição de municípios goianos, observa-se
que o Estado do Rio Grande do Sul contribui com 57 municípios, São Paulo
contribui com 55 municípios e Santa Catarina com 25 municípios.

Quando se analisa o produto interno bruto (PIB) dos municípios brasileiros,

dentre os cem maiores, Goiás contribui com apenas 2 municípios (Goiânia e
Anápolis). Reunidos, estes dois municípios possuem PIB inferior ao do
décimo terceiro colocado, São Bernardo do Campo (SP).

Os valores expostos acima sugerem que a capacidade de nanciamento

privado do ensino superior em Goiás é inferior à de outros estados. Apesar

17
dessa limitação, menos de 30% do total de estudantes estão matriculados em
cursos superiores públicos.

Aqueles que conseguem acesso ao ensino superior, público ou privado, são

minoria em Goiás. Segundo o [IBGE], em 2010 Goiás tinha 1.213.946 pessoas
com curso médio completo, enquanto apenas 218.548 estavam matriculadas
em curso superior. Ou seja, menos de 20% continuam seus estudos até o
ensino superior. Neste censo, Goiás tinha 394.491 cidadãos com curso
superior completo em uma população total de 6.003.788, ou seja, 6,5% da
população com curso superior. O Estado de São Paulo, por exemplo,
apresenta uma taxa superior a 10%. Taxas bastante superiores são encontradas
em outros países [OECD, 2012].

Além de contribuir para melhoria dos indicadores de educação em Goiás, o

BIA potencializa o crescimento da economia goiana por meio de alternativas
ao agronegócio, especialmente por meio de uma formação que favoreça o
empreendedorismo e a inovação. Dessa forma, o BIA fomenta a participação
de Goiás em um mercado valioso, além de promover a criação de empregos.

A posição estratégica do BIA pode ser notada por iniciativas nacionais e

internacionais. Em Goiás, será estabelecido, com o apoio da FAPEG, o Centro
de Excelência em Inteligência Articial (CEIA). Dentre os objetivos da
iniciativa do CEIA, destaca-se o apoio ao estabelecimento do novo
Bacharelado em Inteligência Articial da UFG. Recentemente, o ministro de
Ciência e Tecnologia, Inovações e Comunicações (MCTIC) anunciou o apoio
e nanciamento para o estabelecimento de oito centros de excelência em
Inteligência Articial no país. O pioneirismo das ações e projetos do Instituto
de Informática e a iniciativa da FAPEG proporcionaram uma vantagem
competitiva relevante no movimento estratégico proposto pelo MCTIC.

No contexto internacional, o MIT – Massachusetts Institute of Technology –

anunciou um plano para remodelar seu programa acadêmico, contando com

18
o investimento de US$ 1 bilhão para a construção de uma Faculdade de IA1 -
maior investimento em IA feito por uma instituição americana, até o
momento2. Ademais, destaca-se a criação de Bacharelados em outras
Universidades de contexto mundial relevantes tais como University of
Edinburgh e Carnegie Mellon University (CMU). Constata-se também que
diversos países líderes mundiais já possuem ou estão denindo estratégias
nacionais para IA, por exemplo EUA, China, Alemanha, França, Japão e
Rússia.3

II - Exposição de motivos
A dependência da sociedade em relação à Computação, em especial à IA,
continua se expandindo, inclusive em tarefas que antes eram exclusivas dos
seres humanos, como diagnosticar uma pessoa com tipo de doença rara. A
quantidade de informação disponível em dados estruturados ou não
estruturados, tem passado por um processo de crescimento chamado de
Explosão da Informação,4 já discutido desde os anos 1980, antes mesmo da
popularização dos computadores, da internet e dos smartphones. Tratar essa
quantidade de informação de forma minimamente razoável, tornou-se uma
tarefa inviável para os seres humanos. Consequentemente, também tem
crescido a demanda por sistemas inteligentes e por prossionais que visam
atender essa sorte de questão. O conhecimento necessário para produzir
sistemas inteligentes e autônomos capazes de tratar esse volume de
informação é denominado de Inteligência Articial.

Tradicionalmente, esse conhecimento e as habilidades necessárias são

adquiridas por egressos de outros cursos de graduação, em especial durante
os cursos de pós-graduação stricto sensu na áera de Computação. Nesses

https://www.theverge.com/2018/10/15/17978056/mit-college-of-computing-ai-interdiscipl
inary-research
2

https://www.technologyreview.com/f/612293/mit-has-just-announced-a-1-billion-plan-to
-create-a-new-college-for-ai/
3
https://www.lawgorithm.com.br/estrategias-ia/
4
Buckminster Fuller, R. Critical Path (1981) New York: St Martin's Press

19
casos, a apropriação de habilidades ocorre de forma parcial, pois não há
espaço em tais cursos para cobrir adequadamente essa extensa área.

A título de ilustração e enriquecimento da discussão acerca da maturidade e

da abrangência da área de conhecimento, são apresentados a seguir três
grácos na forma de decomposições hierárquicas (ou mapas mentais). O
primeiro, Figura 1, mostra como a IA pode ser entendida por meio de
diversos paradigmas que a formaram e a sustentam ao longo do tempo.

Figura 1: Inteligência Artificial e seus paradigmas formadores (“tribos”).

Na Figura 2, a IA é vista por meio da organização da informação a ser

trabalhada para obtenção de conhecimento.

20
 Figura 2: Inteligência Artificial e a forma de organização da informação

A Figura 3 exibe a visão dos processos típicos que auxiliam a IA a tratar os

dados com o objetivo de prepará-los para as técnicas das subáreas.

Figura 3: Inteligência Artificial e processos típicos de preparação dos dados.

Partindo destas visões, entre outras possíveis, torna-se evidente a diculdade

encontrada por muitas empresas em contratar prossionais qualicados e a
preocupação de muitas nações em proporcionar esta formação como parte
integrante do seu desenvolvimento nacional.

Diferentemente da Pós-Graduação, stricto sensu ou lato senso, o Bacharelado

proporciona uma base curricular de ensino que prepara o estudante para
atuar de forma mais ampla no mercado ao formar prossionais generalistas,
com conhecimentos nos fundamentos de uma dada atuação profssional.
Associado à base curricular, um ambiente favorável ao desenvolvimento
humano e prossional desde o primeiro dia do ingresso do estudante,
permitirá que a UFG contribua com a diminuição da carência de
prossionais em IA.
21
Dos fatores internos no INF
A discussão interna para a criação de um Bacharelado em Inteligência
Artifcial remonta a 2017, embora a atuação do INF na área de conhecimento
seja anterior à própria formação do INF por meio de pesquisas e
desenvolvimentos tecnológicos de seus docentes.

Para efeito histórico, é importante registrar alguns eventos recentes e que de

alguma forma revelam a atenção que a área de conhecimento tem
despertado.

Em agosto de 2017, foi realizado um Workshop contendo os resultados de

projetos executados por estudantes das disciplinas de pós-graduação (stricto
sensu) relacionadas a IA e ministradas no Programa de Pós-Graduação em
Ciência da Computação do INF. Um dos objetivos do evento foi proporcionar
uma visão prática e ampla dos resultados dos projetos principalmente para o
público externo à Universidade. O evento foi realizado no dia 15 de agosto de
2017, no pátio do Instituto de Informática, com a presença de dezenas de
convidados não apenas do Estado de Goiás. Alguns convidados fzeram parte
da Comissão Julgadora dos trabalhos expostos e escolheram os trabalhos
premiados. Em função da surpresa com a qualidade dos trabalhos, um dos
jurados convidados sugeriu e patrocinou uma nova rodada do evento na
semana seguinte em um hotel de Goiânia. Esta segunda rodada foi realizada
no dia 22 de agosto de 2017 com presença ainda maior de convidados locais e
de outros Estados.

Entre os dias 5 e 9 de fevereiro de 2018, foi realizado a primeira Deep

Learning Brasil Summer School. Uma Escola de Verão voltada para a
disseminação da técnica de Deep Learning, uma das técnicas mais utilizadas
no campo da IA atualmente. Foram recebidos mais de 504 pedidos de
inscrição de 15 Estados diferentes e 3 países para um total inicial de 40 vagas,
que foi ampliado para 90 vagas. 5

5
Disponível em
http://www.deeplearningbrasil.com.br/index.php/blog/144-inscricoes-aceitas-para-o-deep
-learning- brasil-summer-school-2018

22
Em abril de 2019, mais uma edição do Workshop de trabalhos de IA foi
realizada em um Hotel de Goiânia. O evento recebeu cerca de 1500
visitantes.

Diante das informações obtidas e compartilhadas com vários setores da

economia e com a administração pública em diversos escalões nos últimos
anos, o INF se ofereceu à UFG e ao MEC para criar o primeiro Bacharelado
em Inteligência Articial no Brasil.

III - Objetivos

Objetivo geral
O BIA tem como objetivo:
Formar prossionais aptos a contribuir efetivamente com o desenvolvimento
de Sistemas Inteligentes e Autônomos seguindo princípios éticos e postura
prossional.

Objetivos específicos
Reconhecer e valorizar o respeito à diversidade. Conforme se lê na
Constituição Federal em seu Art. 3.º, inciso IV: “promover o bem de
todos, sem preconceitos de origem, raça, sexo, cor, idade e quaisquer
outras formas de discriminação”.
Ampliar a compreensão acerca de questões ambientais e, ao mesmo
tempo, valorizar projetos sustentáveis.
Contribuir com a demanda da sociedade por sistemas inteligentes e
autônomos de qualidade.
Conceber e desenvolver soluções e produtos inovadores.
Promover a socialização do uso da Inteligência Articial no mercado,
no setor público e na academia.
Viabilizar atividades econômicas de alto valor (por meio da IA e ações
empreendedoras).
Criar alternativa econômica para o Estado de Goiás.

IV - Expectativa da formação do profissional

Perfil do egresso

23
O egresso do BIA é um prossional com capacitação sólida em Inteligência
Articial. Para isso, espera-se deste processo formação básica consistente em
Computação e abrangente e aprofundada em Inteligência Articial.

O mercado de atuação do egresso é abrangente, e decorre da dependência da

sociedade por soluções de grande eciência para problemas de alta
complexidade, das quais, muitas são consideradas soluções “inteligentes”. É
importante destacar que esta dependência tende a ter um caráter de
sobrevivência face à iminente revolução industrial, conhecida também por
Indústria 4.0.

Diante disso, entende-se que o bacharel em Inteligência Articial deve ser

capaz contribuir efetivamente com equipes na produção de modelos
abstratos e soluções de IA, bem como na implementação de código ou uso de
ferramentas e frameworks adequados à nalidade.

Espera-se também do bacharel em IA, perl empreendedor para atuar de

forma autônoma em projetos de P&D assim como habilidades para conduzir
trabalhos de pesquisa acadêmicas.

Tanto a atuação junta ao mercado, quanto em ações empreendedoras de

P&D ou de pesquisas acadêmicas devem ser pautadas por postura
prossional e conduta ética do egresso.

As habilidades do egresso incluem o que é necessário para lidar com a

identicação, compreensão, análise e modelagem de problemas; proposição
de soluções inteligentes, usando técnicas, ferramentas, frameworks e processos
adequados; e implementação, renamento e sustentação de sistemas
inteligentes e autônomos.

Habilidades do egresso
Espera-se que os egressos do curso de bacharelado em Inteligência Articial:
Possuam sólida formação em Ciência da Computação, Matemática,
Ciência de Dados e Engenharia de Sistemas que os capacitem
identicar, compreender, analisar, modelar e construir sistemas
computacionais capazes de lidar com problemas complexos, incluindo
24
 sistemas embarcados e autônomos, de forma inovadora e
empreendedora.
Sejam capazes analisar e explorar grandes bases de dados, extraindo
delas conhecimento que dê suporte à tomada de decisões.
Sejam capazes de integrar dispositivos e sistemas já existentes de
forma a produzirem novos ambientes ou soluções computacionais.
Sejam capazes de utilizar as técnicas e ferrramentas da Inteligência
Articial, compreendendo o impacto direto ou indireto sobre as
pessoas e a sociedade.
Sejam capazes de trabalhar de forma harmoniosa, prossional e ética,
individualmente e em grupo com outros prossionais da Computação
e/ou de outras áreas, de forma colaborativa e proativa.
Compreendam os aspectos econômicos e nanceiros, associados a
novos produtos e organizações.
Reconheçam o caráter fundamental da inovação e da criatividade e
compreendam as perspectivas de negócios e oportunidades relevantes.
Conduzam ação contínua de aperfeiçoamento e atualização de sua
própria formação.
Participem da comunicação de ideias com clareza, seja na forma
verbal ou escrita.
Encarem com resiliência a compreensão de problemas de alta
complexidade, a identicação de oportunidades e a busca por novas
soluções.

V - Princípios norteadores
O BIA apoia-se em princípios necessários à consecução dos objetivos do
curso (p. ) e do perl do egresso (p. ). Esses princípios são apresentados a
seguir.

Formação Ética e Função Social do Profissional

A vivência de princípios éticos e o conhecimento sobre a responsabilidade
social do Bacharel em Inteligência Articial são elementos fundamentais para
a constituição da postura prossional do egresso do BIA.

25
O comportamento ético e prossional será trabalhado nas atividades do
curso. A exigência de uma conduta apropriada em um ambiente acadêmico
motivador e em sala de aula, tanto dos docentes quanto dos estudantes,
contribui com essa formação. Isso signica promover a qualidade de vida, o
respeito à diversidade e o respeito ao meio ambiente. Nesse sentido, não
apenas as disciplinas, mas toda e qualquer ação, deve ser pautada pela
reexão do impacto no contexto no qual se insere.

Em particular, ética é assunto de uma das disciplinas do segundo semestre do

curso, “Computação e Sociedade” (p. ), e volta a ser explicitamente tratada,
junto com aspectos prossionais, na última disciplina do curso “Residência
em Inteligência Articial” (p. ). Neste caso, a postura ética e prossional é
condição a ser observada para aprovação nessa disciplina.

Ainda convém destacar que nesta área há duas principais correntes de ética a
serem observadas: Ética de Robô (ou Roboética), que se refere à moralidade
de como humanos projetam, constroem, usam e tratam robôs e outros seres
inteligentes articiais [VERUGGIO, 2007]; e Ética de Máquina, que se
concerne ao projeto de Agentes Articias Morais, robôs ou seres inteligentes
articiais que se comportam moralmente ou como pensamento moral
[ANDERSON, M. & ANDERSON, S. L., 2011]. Essas correntes fundamentam
aspectos éticos e morais a serem observados no convívio diário do curso.

Formação Técnica
A formação técnica proposta para o BIA está fundamentada em bases sólidas:
as Diretrizes Curriculares Nacionais [MEC 2016]; a formação básica de
qualidade em Computação, denida pelo próprio INF; e versões recentes dos
corpos de conhecimentos das áreas que fazem parte da IA moderna. Por
consequência, o conteúdo abordado no curso não diverge das orientações
nacionais e internacionais em Computação e em Inteligência Articial.
Ademais, a organização dele é uma “contribuição” para a área de IA e a
Computação no Brasil, haja vista que não há outro Bacharelado em IA no
país até o momento presente e que essa organização se baseia em
experiências aprendidas no INF, juntamente com uma visão holística do
aprendizado em sistemas inteligentes e autônomos, o que contrasta com a

26
frequente apresentação fragmentada desta área em especial em cursos de
pós-graduação.

As atividades do curso são voltadas para emprego da IA em projetos de P&D,

nos quais os conhecimentos e habilidades são exigidos de forma integrada e
contextualizada. O isolamento de conteúdo é adequado para a classicação
do conhecimento que, sem o devido cuidado, pode induzir a denição de
disciplinas. A estratégia de denição das disciplinas do BIA é fornecida a
seguir.

Estratégia da definição das disciplinas

As disciplinas do BIA foram denidas a partir do cruzamento de fronteiras de
subáreas do conhecimento da Inteligência Articial, Computação e
Matemática. A estratégia na qual se dene uma disciplina por subárea foi
prescindida. Convém ressaltar que o corpo de conhecimento da área foi
extensivamente discutido e empregado.

Em vez de adotar a classicação comumente empregada em disciplinas de

graduação e pós-graduação ou em livros amplamente adotados, o conteúdo
(ementa) atribuído a cada disciplina do BIA levou em consideração tópicos
entre os quais há sinergia. Essa orientação é compatível com práticas em
Inteligência Articial, que não apenas reconhece, mas também respeita os
vínculos entre as suas subáreas. Isso resultou em disciplinas coerentes com a
prática em Inteligência Articial.

A Figura 4 ilustra uma disciplina X qualquer do BIA, composta por conteúdo

das subáreas A, B e C. Isso signica que o conteúdo de X não está contido
estritamente na subárea A, B ou C. Em vez disso, reúne e explora a
interdependência de conceitos destas quatro subáreas.

27
 Figura 4: Disciplina do curso baseada em conhecimento de várias subáreas.

As subáreas “Aprendizado de Máquina Supervisionado” e “Aprendizado de

Máquina Não Supervisionado” e “Aprendizado de Máquina por Reforço” por
exemplo, são contempladas em várias disciplinas do curso e não apenas nas
disciplinas nas quais são o foco principal de interesse. A disciplina que
enfatiza “Percepção Robótica”, por exemplo, inclui aspectos de “Visão
Computacional”, “Internet das Coisas” e “Processamento Digital de Sinais e
Imagens”. De forma resumida, as disciplinas não são uma projeção cartesiana
de 20 subáreas de conhecimento da Inteligência Articial. Em vez disso, são
20 disciplinas cobrindo reiteradamente várias áreas da IA, das quais uma
disciplina cobre diversas áreas necessárias para a execução de um projeto real
de produção de sistemas inteligentes e autônomos.

Articulação entre Teoria e Prática Profissional

O Perl do Egresso (p. ) exige do estudante concluinte o envolvimento com o
fazer, a partir do exercício do conhecimento de Inteligência Articial.

Essa articulação é explicitamente estabelecida por meio da seção “Condições

mínimas” denida para cada disciplina de Inteligência Articial. Estas
condições, em geral, denem o que o egresso é capaz de realizar com o
conhecimento. Dessa forma, o que convencionalmente se limita ao
conteúdo, ou teoria, deverá ser exercitado, por meio de práticas, com nível
bem denido de prociência.

A disciplina “Residência em Inteligência Articial” (p. ) é um ponto explícito

do curso no qual a prática é o elemento principal, perfazendo 384 horas. O
fazer, contudo, não está restrito a essa disciplina. A capacidade de realização
de atividades pertinentes ao desenvolvimento de sistemas inteligentes e
autônomos é exigência em boa parte das disciplinas.

28
Interdisciplinaridade
Produzir sistemas inteligentes e autônomos signica, necessariamente, o
encontro de, pelo menos, dois domínios. O domínio da solução, no qual a
Inteligência Articial é exercitada e o domínio do problema, que justica a
existência de sistemas inteligentes e autônomos. O domínio do problema é
“universal”, pois inclui logística, segurança, saúde, educação, gestão,
transformação, controle, automação, dentre muitos outros. Fazer sistemas
inteligentes e autônomos, portanto, por si só, exige o contato com outras
áreas do conhecimento.

O acesso a outras áreas pode vir por meio das disciplinas do Núcleo Livre
(NL). O BIA exige o mínimo de 128 horas de disciplinas do NL para
integralização curricular. Essas disciplinas são escolhidas pelo estudante
dentre todas aquelas oferecidas na UFG. O conjunto de opções de outras
áreas do conhecimento é rico, o que contribui com uma formação ampla do
estudante. Convém destacar que 128 horas perfazem a quantidade mínima
exigida; todavia, o estudante pode fazer uso de uma carga horária maior. O
mesmo é válido para o estágio não obrigatório e para as atividades
complementares. O estudante deve cumprir um mínimo de 192 horas em
atividades complementares.

A interdisciplinaridade estimulada pelos elementos citados acima é

extra-curso. Aquela intra-curso é tratada tanto pela denição das disciplinas
quanto pela disciplina “Residência em Inteligência Articial” (p. ). Nesses
casos a interdisciplinaridade é compulsória, pois faz parte da própria
concepção do curso. Adicionalmente, sem restringir a liberdade
metodológica do docente, cabe ao NDE orientar a denição de programas de
disciplinas que cultivem a interdisciplinaridade.

Um novo ambiente para uma nova geração

O projeto pedagógico do curso apresenta um “ambiente” (ou ecossistema) em
implantação no INF que complementa de forma importante a estrutura
curricular, normalmente descrita apenas como um conjunto de disciplinas.

29
Por conta da revolução digital, muitos estudantes terão funções ou empregos
diferentes dos que existem hoje. Entretanto, é evidente que não será apenas
um treinamento tecnológico que irá prepará-los para isso. É comum a
universidade considerar como instrumentos de atualização e coerência
apenas as mudanças possíveis em termos da matriz curricular e da aplicação
de novas metodologias pedagógicas (ou andragógicas). A Figura 5 apresenta
um instrumento adicional pouco explorado (ou entendido), mas que no atual
momento tem se mostrado relevante por diversos estudos: o aspecto
cognitivo, afetivo e social das gerações.

Figura 5: Modelagem dos “instrumentos” disponíveis para ensino-aprendizagem.

Por exemplo, entre as habilidades necessárias para a nova geração estão a

capacidade de: liderar um time; adaptar-se a um mercado complexo;
conectar-se a pessoas com experiências e habilidades diferentes; trabalhar
com tecnologia de maneira produtiva e sustentável, e não destrutiva ou
polarizada . Os integrantes desta geração que começa a chegar na
universidade, de uma forma geral, tendem a ser líderes movidos por valores
e engajam-se quando existe uma oportunidade real de criar impacto social.

O “ambiente” tem como base conceitual os trabalhos de Feuerstein e seus

colaboradores e resumidos pelo termo Teoria da Modicabilidade Cognitiva
Estrutural (MCE) [FEUERSTEIN et al., 2006]. A MCE entende a inteligência
30
como um processo dinâmico de autorregulação capaz de dar respostas aos
estímulos ambientais. Todo organismo humano, se bem mediado, possui a
capacidade de mudar a estrutura do seu funcionamento independentemente
da idade ou problema que possa ter enfrentado em qualquer momento da
vida. Os times autogerenciados (ou autogerenciáveis) [WILKINSON, 1998] e
os esforços temporários para se obter um produto, serviço ou resultado, ou
seja, os Projetos [PMI, 2017], são os outros dois pilares fundamentais do
“ambiente”.

Disciplina “Residência em Inteligência Artificial”

Essa disciplina de 384 horas tem como objetivo explícito a participação do
estudante em um ou mais projetos integradores que usufruem de
conhecimento e habilidades adquiridos por todo o curso. Os projetos exigem
o contato com problemas reais, o que exige contato tanto com o
conhecimento quanto prossionais de outras áreas. Mais detalhes são
apresentados na página .

Atividades supervisionadas
De acordo com a Resolução CNE/CES 03/2007 de 2 de julho de 2007, cabe
às Instituições de Educação Superior, respeitando o mínimo dos duzentos
dias letivos de trabalho acadêmico efetivo, a denição da duração da
atividade acadêmica ou do trabalho discente efetivo, o que compreende: (a)
preleções e aulas expositivas e (b) atividades práticas supervisionadas, tais
como laboratórios, atividades em biblioteca, iniciação cientíca, trabalhos
individuais e em grupo, práticas de ensino e outras atividades no caso das
licenciaturas.

O BIA divide cada hora de atividade acadêmica em 50 minutos de preleções

e aulas expositivas e 10 minutos de atividades práticas supervisionadas, em
conformidade com o Regulamento Geral dos Cursos de Graduação (RGCG)
da UFG [CEPEC 2017]. O planejamento de cada hora deve estar devidamente
registrado no plano de cada disciplina. Em particular, o plano deve incluir de
forma clara as atividades práticas supervisionadas.

31
VI - Núcleo Docente Estruturante (NDE)
O NDE do BIA adota os seguintes princípios:
O NDE possui duas prioridades: a maior é colocar em prática o PPC; a
seguinte é mantê-lo relevante.
Qualquer questão que diz respeito às prioridades é do interesse do
NDE e pode resultar em ação.
Toda ação necessariamente deve gerar valor e estar alinhada com as
prioridades.
Uma ação constante e preconcebida é zelar pelos princípios aqui
descritos.
O NDE entende que o diálogo é necessário e que a diversidade é
natural, assim como o confronto de ideias.

Esses princípios denem que todo o conteúdo do presente PPC e a aplicação

dele está no raio de atuação do NDE. O que inclui:
Acompanhar a execução das ações de ensino, pesquisa e extensão
pertinentes ao curso.
Acompanhar a avaliação das ações do curso.
Emitir opinião sobre ações pertinentes ao curso.
Monitorar o desempenho dos estudantes.
Promover ações que possam reduzir reprovações.
Monitorar resultados dos trabalhos de conclusão de curso.
Monitorar ações de estágios dos estudantes do curso.
Acompanhar e se pronunciar acerca de reclamações pertinentes ao
curso.
Avaliar de forma contínua o PPC do curso.
Acompanhar e promover a qualicação de docentes.
Acompanhar e promover a qualicação do corpo de
técnico-administrativos.

O NDE, portanto, não se apresenta como órgão ou mecanismo deliberativo,

mas consultivo. Reúne docentes que continuamente reetem sobre questões
pertinentes ao curso e, em consequência, denem ações que assistem,
apoiam e fomentam a qualidade do curso, bem como contribuem com a
execução dessas ações.

32
A atuação do NDE deve ser realizada em estreita interação com a
coordenação do curso. Entretanto, não é nem pode ser vista como meio para
auxiliar a realização de uxos administrativos (atribuição da coordenação do
curso).

Convém observar que as atuações estabelecidas acima estão em

conformidade com a resolução da Comissão Nacional de Avaliação da
Educação Superior (CONAES), 01/2010 de 17 de junho de 2010, a qual
“normatiza o núcleo docente estruturante”, e são esclarecidas pelo parecer
CONAES 04/2010 de 17 de junho de 2010. Ademais, o NDE do BIA deve estar
em conformidade com os parâmetros e atribuições denidas pela Resolução
do Conselho de Ensino, Pesquisa, Extensão e Cultura da UFG [CEPEC-2
2014]

VII - Política e gestão de estágio não obrigatório

O estágio curricular do BIA constitui-se em um mecanismo de
complementação de conhecimento e aperfeiçoamento de habilidades, além
de oportunidade de aplicá-los na prática. O convívio com prossionais,
obrigações, hierarquias e processos onde o estágio se desenvolve, resulta em
oportunidade valiosa para a formação prossional do egresso.

O estágio do BIA não é de caráter obrigatório, cando a critério do estudante

realizá-lo ou não, desde que o mesmo esteja regularmente matriculado no
curso. Adicionalmente, esse estágio deve ser realizado a partir do terceiro
período do curso.

Convém observar que o estágio está restrito às empresas devidamente

conveniadas com a UFG ou que se utilizam de agentes de integração
conveniados. Adicionalmente, dois outros papéis são obrigatórios no estágio:
(a) supervisor (no local do estágio) e (b) orientador (professor do curso).

Durante o estágio, que não pode ultrapassar 24 meses em mesmo local, o

estudante deverá apresentar o Termo de Compromisso, o Plano de Estágio,
além da frequência e dos relatórios semestrais. As atividades que o estudante
for desenvolver no estágio, devem estar relacionadas ao objetivo geral do

33
curso de Bacharelado em Inteligência Articial. Essas atividades deverão ser
descritas no Plano de Estágio, que deverá ser aprovado e acompanhado pelo
coordenador de estágio, supervisor na empresa concedente e professor
orientador do Instituto de Informática.

Os documentos citados anteriormente, bem como outros detalhes do estágio,

em conformidade com a Lei 11.788/2008, são denidos pelo Regulamento de
Estágio de Curso do Bacharelado em Inteligência Articial que, por sua vez, é
baseado na resolução da UFG [CEPEC-3 2017]

VIII - Trabalho de Conclusão de Curso (TCC)

O Trabalho de Conclusão de Curso (TCC) no BIA é um componente
curricular obrigatório regulado pelas Normas e Procedimentos de Trabalho de
Conclusão de Curso do Bacharelado em Inteligência Articial .

O TCC é desenvolvido na última etapa da graduação, sob a orientação de um

professor e compreende um trabalho escrito, detalhado nas Normas e
Procedimentos de TCC do BIA, e uma apresentação.

O trabalho é individual e tem como objetivo a expressão do estudante na

forma escrita, a capacidade de analisar, caracterizar, investigar, discutir,
implantar, pesquisar, realizar, sintetizar e avaliar, entre outras. Neste sentido,
o trabalho descreve, de forma crítica, as atividades teórico-práticas e de
formação relacionadas ao desenvolvimento do estudante como prossional,
em especial, durante a disciplina Residência em Inteligência Articial (p. ).

A apresentação do trabalho, também individual, é realizada como última

atividade do curso e tem como objetivo a expressão do estudante, na forma
oral, das atividades descritas no trabalho, em seção pública e para uma banca
formada por professores do INF. A banca de professores tem o direito a um
período de arguição e é responsável pela avaliação tanto do trabalho quanto
da apresentação.

IX - Integração ensino, pesquisa e extensão

34
A integração do Ensino, Pesquisa e Extensão (EPE) se verica por meio de
atividades complementares, do estágio não obrigatório, envolvimento em
programas institucionais, disciplinas do curso e postura didática dos
docentes, conforme comentado a seguir.

A validação das atividades complementares [CEPEC 2017] são identicadas

em resolução própria, perfazem minimamente 192 horas e explicitamente
incluem ações de extensão e de pesquisa. Por exemplo, divulgação de
trabalhos em eventos cientícos, participação em projetos de extensão e
participação em projetos de pesquisa, dentre outras.

O estágio não obrigatório é um instrumento de integração. As atividades a

serem realizadas pelo estudante podem incluir ações de pesquisa.

Existe na UFG programas institucionais regulares de incentivo à pesquisa e à

extensão, por exemplo os editais de Iniciação Cientíca, Desenvolvimento
Tecnológico e Inovação, bem como programas de Extensão e Cultura. Estes
programas contam com a participação de docentes e discentes com o intuito
de fortalecer ações de pesquisa e extensão na universidade.

A disciplina Pesquisa e Inovação oferece a visão exigida para a realização de

pesquisas na área. Porém, isso não signica apenas orientar o estudante
acerca da elaboração de um trabalho especíco como revisão sistemática;
implica também na expansão do conhecimento do estudante no que diz
respeito à área de conhecimento e aos mecanismos empregados nela.

No sentido de integrar EPE, também há a disciplina de 384 horas, Residência

em Inteligência Articial. Essa disciplina envolve em sua concepção o ensino,
a extensão e a pesquisa ao se concentrar em projetos executados em um
ambiente acadêmico motivante. Qualquer que seja o projeto, ele envolverá
extensão e/ou pesquisa, naturalmente, mesmo se passando em um cenário
de aprendizado (ensino).

Entretanto, a integração não ocorre apenas por meio dos elementos acima,
haja vista que são pontos de integração que ocorrem em períodos especícos.
Entende-se que a integração deve ocorrer em diversos momentos e ações do

35
curso. Por exemplo, uma postura didática recomendável exige a
contextualização de cada aula acerca do que será visto, da repercussão ou
relação dela com o mercado de IA e do estado da arte corrente. Essa postura
é exigida por meio das “condições mínimas” denidas para cada disciplina.
Portanto, a integração do EPE permeia todo o curso.

X - Avaliação do processo de ensino e aprendizagem

As avaliações são instrumentos para vericar diversas questões, entre elas, se
o estudante está adquirindo o perl esperado pelo PPC. São exemplos de
avaliações externas a avaliação do curso pelo MEC e ENADE. Do ponto de
vista interno, pode-se citar a avaliação do docente pelo discente (instrumento
formal e institucionalizado na UFG) e o desempenho dos estudantes do curso
nas disciplinas. Outros elementos também são insumos para fazer avaliação
do processo de ensino e aprendizagem, por exemplo a análise dos planos de
ensino, participação em projetos e estágio, e também do Alumini.

O NDE do curso é o principal consumidor dessas informações com o

propósito de detectar possíveis melhorias e fomentar a introdução delas. Essa
avaliação, de caráter contínuo, deve estar sempre acompanhada das devidas
ações. Dois momentos estratégicos para se discutir e implementar essas ações
ou fazer análises acerca do processo de avaliação do processo de ensino e
aprendizagem são as semanas de planejamento acadêmico, denidas no
calendário acadêmico da UFG, antes dos inícios dos semestres letivos
regulares.

A avaliação do processo de ensino e aprendizagem é assunto pertinente ao

NDE (p. ). O PPC, não estabelece ações especícas para tratar estas questões,
entretanto, fornecem os princípios a serem adotados pelo NDE do curso.

A avaliação do processo de ensino e aprendizagem do BIA deve atender, no

seu planejamento e na forma contínua de sua execução, o estipulado pelo
Regulamento Geral dos Cursos de Graduação (RGCG) da UFG [CEPEC-1
2017], notadamente em seu Capítulo IV, Seção 1 - “Da Avaliação”.

36
Cabe ressaltar que o Sistema de Avaliação do BIA tem como objetivo
primeiro de sua aplicação, por meio de sua Estrutura Curricular (p. ),
utilizando instrumentos pedagógicos norteados pelos Princípios Norteadores
(p. ), permitir que cada estudante adquira o perl desejado (p. ).

A avaliação do estudante deve levar em consideração não apenas o

atendimento de requisitos técnicos, mas também demonstrar postura ética e
prossional ao desenvolver ações do curso.

Convém destacar que as disciplinas especícas de Inteligência Articial são

acompanhadas, cada uma delas, de seção de “condições mínimas” (p. ), que
identicam habilidades mínimas a serem demonstradas pelo estudante para
ser considerado aprovado na disciplina. Embora essa seja uma interpretação
correta, a intenção é estabelecer um contrato claro do compromisso do
estudante e do docente com a disciplina em questão. A avaliação de cada uma
dessas disciplinas, portanto, necessariamente deve observar as condições
mínimas estabelecidas. De fato, a condução de toda a disciplina deve ser
orientada por tais condições.

Dada a especicidade da disciplina “Residência em Inteligência Articial” (p.

), o sistema de avaliação também é especíco. Nesse caso, as avaliações
devem envolver capacidade de: (i) identicar, compreender, analisar,
modelar e construir sistemas capazes de lidar problemas complexos; (ii)
analisar, explorar e extrair conhecimento de grandes bases de dados a m de
dar suporte à decisão; (iii) integrar dispositivos ou sistemas já existentes para
produzir novos ambientes computacionais; (iv) utilizar técnicas de IA,
compreendendo o impacto direto ou indireto sobre as pessoas e a sociedade;
(v) trabalhar de forma harmoniosa, prossional e ética, individualmente ou
em grupo com outros prossionais; etc. Em particular, atividades avaliativas
podem ser realizadas mesclando teoria e prática em um ambiente real de
desenvolvimento de sistemas inteligentes e autônomos, no qual a qualidade
estabelecida para os entregáveis do projeto em questão é vericada.

XI - Avaliação do projeto pedagógico de curso

37
A avaliação do BIA deve ser feita periodicamente e sistematicamente, tanto
de forma proativa quanto de forma reativa, na ocorrência de evento que
justique responsividade.

O NDE é responsável pelas revisões do PPC e pela vigilância contínua da

adequação do PPC ao cenário corrente. Esse esforço deve considerar a
implantação das orientações descritas no PPC e análise de possíveis
melhorias para adequar às mudanças ambientais.

O acompanhamento do curso pelo NDE deve considerar necessidades,

possibilidades e proposições de mudanças provindas de diversas fontes
como: estudantes, docentes, resultados dos estudantes no Exame Nacional de
Desempenho de Estudantes (ENADE), resultados dos estudantes no
POSCOMP (Exame Nacional para Ingresso na Pós-Graduação em
Computação), as DCN da área de Computação, os Referenciais de Formação
para os Cursos de Graduação em Computação da SBC (Sociedade Brasileira
de Computação), entre outras.

XII - Política de qualificação

Desde a criação o Instituto de Informática implementa uma política vigorosa
de capacitação do seu corpo docente, a qual inclui a meta de que todos os
docentes tenham a titulação mínima de doutor. De fato, a liberação de
docentes para prosseguirem os seus estudos de pós-graduação é uma prática
comum, em consequência, nenhum pedido para afastamento com o
propósito de realizar o doutorado foi negado até o momento. Essa política é
acrescentada de regras institucionalizadas para a concessão de afastamento
para o pós-doutorado e de licença para capacitação.

A qualicação de docentes do INF também pode ser obtida pela sua

participação em congressos, simpósios, dentre outros eventos, quer seja nos
papéis de autor de artigo, organizador de evento, membro de comitê de
programa ou avaliador de artigo. O Instituto de Informática ainda nancia ou
conancia viagens e inscrições de seus docentes em congressos e simpósios
importantes, principalmente quando há publicação de artigo.

38
Em harmonia com a política de capacitação docente, o INF é favorável ao
aprimoramento e à capacitação de seu corpo Técnico-administrativo em
Educação (TAE). Normalmente, um TAE faz solicitação ao diretor,
encarregado de registrar as intenções de afastamento no plano anual de
capacitação e conduzir a apreciação das intenções pelo Conselho Diretor do
INF, haja vista que é do interesse da unidade fomentar a especialização e
capacitação dos seus prossionais.

É frequente a liberação das atividades de TAE para que possam participar de

treinamentos, tanto em cursos esporádicos quanto em programas de
pós-graduação. Em tempo, as ações de extensão do INF reservam vagas
exclusivas para participação de TAEs, sem necessidade de pagamento
(quando é o caso).

Do ponto de vista legal, o INF se apoia na Resolução CEPEC 1286/2014 de

2014 [CEPEC-1 2014], que regulamenta o afastamento de docentes para
cursar Mestrado, Doutorado e estágios Pós-Doutorais, e na Resolução
CONSUNI 02/2014 [CONSUNI 2014], que regulamenta o Programa de
Capacitação e o Plano Anual de Capacitação dos TAEs. Em consonância com
a Resolução CEPEC 1286/2014, o INF instrui o afastamento de docentes com
a Resolução CD/INF n. 01 de 2014, que dá suporte ao planejamento
administrativo e incentiva a participação de seus docentes, em cursos de
doutorado, pós-doutorado e capacitação, no país e no exterior, de acordo
com a sua política de pessoal para o ensino, a pesquisa, a extensão e a
administração.

Por m, cabe ao NDE monitorar o PPC e, consequentemente, promover

ações que promovam a qualidade dos serviços oferecidos tanto por docentes
quanto por TAEs.

XIII - Requisitos legais e normativos

O curso de Bacharelado em Inteligência Articial contempla requisitos legais
especícos, a saber:

39
a) Condições de Acesso para Pessoas com Deficiência e/ou Mobilidade
Reduzida
A Universidade Federal de Goiás (UFG) apresenta condições de acesso para
pessoas com deciência e/ou mobilidade reduzida, sendo fundamentado
decreto No 5.296, de 02 de dezembro de 2004, que regulamenta as leis N°
10.048, de 8 de novembro de 2000, que dá prioridade de atendimento às
pessoas que especica, e N° 10.098, de 19 de dezembro de 2000, que
estabelece normas gerais e critérios básicos para a promoção da
acessibilidade das pessoas portadoras de deciência ou com mobilidade
reduzida, e dá outras providências.

b) Diretrizes Curriculares Nacionais do Curso

Este PPC é fundamentado na Lei No 9.394/96, de diretrizes e bases da
educação nacional, e na resolução CNE/CES No 005/2016, de 16 de
novembro de 2016, que institui Diretrizes Curriculares Nacionais (DCN) para
os cursos de graduação em Computação. Apesar do Bacharelado em
Inteligência Articial ser o primeiro curso desta sorte no Brasil e ainda não
estar contemplado nas DCN, trata-se de um curso de Computação.

c) Diretrizes Nacionais para Educação em Direitos Humanos

Este PPC contempla as Diretrizes Nacionais para a Educação em Direitos
Humanos, por meio das disciplinas Computação e Sociedade (2o período) e
Pesquisa e Inovação (7o período), com uso de conteúdos expositivos, textos,
discussões, debates e outras atividades curriculares do curso, sendo
fundamentado no parecer CNE/CP No 8, de 06 de março de 2012, que
originou a Resolução CNE/CP No 1, de 30 de maio de 2012, que estabelece
Diretrizes Nacionais para a Educação em Direitos Humanos.

d) Educação das Relações Étnico-Raciais e para o Ensino de História e

Cultura Afro-Brasileira e Africana
A Resolução Nº 1, de 17 de junho de 2004, trata das Diretrizes Curriculares
Nacionais para a Educação das Relações Étnico-Raciais e para o Ensino de
História e Cultura Afro-Brasileira e Africana.

40
O objetivo é claro: “combater o racismo e as discriminações que atingem
particularmente os negros. Nessa perspectiva, propõe a divulgação e
produção de conhecimentos, a formação de atitudes, posturas e valores que
eduquem cidadãos orgulhosos de seu pertencimento étnico-racial,
descendentes de africanos, povos indígenas, descendentes de europeus, de
asiáticos.”

Tal objetivo pressupõe a “adoção de políticas educacionais e de estratégias

pedagógicas de valorização da diversidade”, conforme consta na Resolução,
assim como os princípios a serem observados para atendê-la: (a) consciência
política e histórica da diversidade; (b) fortalecimento de identidades e de
direitos e (c) ações educativas de combate ao racismo e a discriminações.

O Art. 7.º da Resolução ainda destaca: “as instituições de ensino superior,

respeitada a autonomia que lhe é devida, incluirão nos conteúdos de
disciplinas e atividades curriculares dos diferentes cursos que ministram, a
Educação das Relações Étnico-Raciais, bem como o tratamento de questões e
temáticas que dizem respeito aos afrodescendentes.”

Tendo em vista o requisito legal estabelecido pela Resolução, duas linhas de

atuação são adotadas pelo BIA: inserção de conteúdo pertinente em duas
disciplinas curriculares obrigatórias e o Programa Institucional de Extensão
do Instituto de Informática. Ambas comentadas abaixo.

Disciplinas de graduação obrigatórias

As disciplinas “Computação e Sociedade” e “Pesquisa e Inovação” (p. )
incluem, em seus ementários, tópicos pertinentes às exigências da Resolução.
Em particular, remetem para o conhecimento de questões pertinentes ao
continente africano e para o conhecimento e respeito à diversidade.

Programa institucional
O Programa Institucional de Extensão do Instituto de Informática será
realizado por meio de ações, boa parte com ênfase na socialização de
conhecimento sobre questões pertinentes à formação dos brasileiros, o que

41
invariavelmente inclui os negros e indígenas. Esse conhecimento é
indispensável para a promoção da diversidade, do respeito às diferenças e da
igualdade independente das crenças, do sexo, da idade, da cor, da condição
social.

O Instituto de Informática, por meio desse programa de extensão, dedicado

exclusivamente às relações étnico-raciais e ao meio ambiente, oferece
atuação contínua sobre esses tópicos, durante toda a permanência dos seus
estudantes nessa unidade, sejam de graduação ou pós-graduação.

Especicamente sobre questões de cunho étnico-racial, sem a intenção de ser

uma apresentação exaustiva, nem restritiva, são identicadas algumas ações
possíveis:
Ações armativas por meio de cursos de extensão.
Ações para promoção da diversidade.
Palestras sobre a construção de uma sociedade justa.
Palestras sobre a diversidade da formação dos brasileiros.
Palestras sobre a história afro-brasileira, sobre a história africana.
Palestras sobre os povos indígenas.
Apresentações artísticas que valorizem a cultura africana e indígena.

e) Informações acadêmicas
Todas as informações acadêmicas do curso de Bacharelado em Inteligência
Articial são disponibilizadas tanto de forma virtual, por meio do sítio do
curso, quanto de forma impressa, na secretaria do curso, conforme
determinado na Portaria Normativa n° 40 de 12 de dezembro de 2007,
alterada pela Portaria Normativa MEC N° 23 de 01 de dezembro de 2010,
publicada em 29 de dezembro de 2010.

f) Libras
O Decreto 5.626/2005 regulamenta a Lei 10.436, de 24 de abril de 2002, e o
artigo 18 da Lei 10.098, de 19 de dezembro de 2000. Segundo esse Decreto, a
disciplina curricular Libras é obrigatória para vários cursos, dentre eles, as
licenciaturas e os cursos de Fonoaudiologia. O Decreto também estabelece
que, nos demais cursos, a disciplina curricular Libras seja optativa, conforme

42
o Capítulo II, § 2º: “a Libras constituir-se-á em disciplina curricular optativa
nos demais cursos de educação superior”.

Em atenção a tal requisito legal, o Bacharelado em Inteligência Articial

inclui a disciplina Libras como optativa, no sétimo período do curso.

g) Política de educação ambiental

A Lei 9.795, de 27 de abril de 1999, institui a Política Nacional de Educação
Ambiental, que é regulamentada pelo Decreto 4.281, de 25 de junho de 2002.
Conforme essa Lei, Seção II, Art. 10, “a educação ambiental será desenvolvida
como uma prática educativa integrada, contínua e permanente em todos os
níveis e modalidades do ensino formal”. Adicionalmente, lê-se na Seção II,
Art. 10, § 1º: “a educação ambiental não deve ser implantada como disciplina
especíca no currículo de ensino”. O destaque (negrito) é do presente
documento.

O Bacharelado em Inteligência Articial trata a Educação Ambiental por três

linhas contínuas de atuação: planejamento das disciplinas, disciplinas
obrigatórias e Programa Institucional do Instituto de Informática, ambas
comentadas abaixo.

Planejamento das disciplinas

O planejamento de cada turma deve se inspirar em possíveis estratégias de
inserção de questões ambientais. Por exemplo, adoção de material em
formato digital em vez de formato impresso.

A apresentação do conteúdo de cada disciplina também pode se beneciar do

volume signicativo de dados sobre o meio ambiente. Por exemplo, área
desmatada ao longo do tempo; áreas de preservação; consumo de energia;
emissão de CO ; qualidade do ar; consumo de materiais poluentes e geração
2

de lixo eletrônico. Tais dados podem ser empregados para ilustrar o

funcionamento de algoritmos e visualização de informações, dentre outras
possibilidades.

Convém destacar que esses exemplos devem ser vistos como elementos de
inspiração, a serem renovados continuamente.

43
Disciplinas obrigatórias
As disciplinas Computação e Sociedade e Pesquisa e Inovação (previstas para
os 2° e 7° períodos, respectivamente) incluem, em seus ementários, tópicos
pertinentes às exigências da Resolução. Em particular, remetem para o
conhecimento de questões relativas à educação e conscientização da
preservação ambiental.

Programa institucional
A UFG executa um Plano de Logística Sustentável (PLS), que estabelece
práticas de sustentabilidade e racionalização de gastos e processos na
administração pública [PLS]. Esse plano é internalizado no Instituto de
Informática por um Programa Institucional de Extensão.

O PLS une o cotidiano da prática acadêmica com atitudes “sustentáveis” por

meio de recomendações simples, como a impressão em ambos os lados de
uma folha e a redução do uso de copos descartáveis, dentre muitas outras.

O Programa Institucional reúne ações que contemplam as orientações do

PLS. O objetivo é colocar em prática essas orientações. Por exemplo,
enquanto o PLS sugere a coleta seletiva, esse programa cria um repositório
para coleta de pilhas e baterias já utilizadas, além de assegurar que aquele
material coletado será descartado de forma correta.

O Programa Institucional possui objetivos e ações que incluem a educação

ambiental. As opções de ações variam. Dentre elas uma é constante: avaliação
dos resultados. Dentre as demais:
Cursos de extensão cuja inscrição seja lixo eletrônico;
Elaboração de material de conscientização sobre consumo
parcimonioso de água e energia;
Palestras e cursos sobre TI Verde (green computing);
Pesquisa sobre consumo de energia por datacenters;
Divulgação e destaque de informações sobre o meio ambiente;
Monitoramento e divulgação de informações ambientes sobre Goiás;
Divulgação de sowares que promovem o meio ambiente, por
exemplo, evitam deslocamentos, evitam consumo de energia.

44
h) Proteção dos direitos da pessoa com Transtornos do Espectro Autista
A proteção dos direitos da pessoa com transtorno do espectro autista é
fundamentada na Lei N.º 12.764 de 27 de dezembro de 2012, que institui a
política nacional de proteção dos direitos da pessoa com transtorno do
espectro autista, e altera o § 3.º do Art. 98 da Lei N.º 8.112, de 11 de dezembro
de 1990. Esse requisito legal é atendido por meio da disciplina obrigatória
Pesquisa e Inovação, que inclui em seu ementário tópicos pertinentes ao
tratamento de características humanísticas e biológicas na construção de
interfaces de usuário, o que possibilita a socializar informações relevantes
para que portadores do Transtorno do Espectro Autista possam ser
adequadamente considerados por meio de suas necessidades especiais.

i) Titulação do corpo docente

O corpo docente atuante no curso de Bacharelado em Inteligência Articial é
formado apenas por doutores e mestres, estando assim em conformidade ao
que determina o artigo 66 da Lei N° 9.394, de Diretrizes e Bases da Educação
Nacional, de 20 de dezembro de 1996.

j) Diretrizes para a Extensão na Educação Superior Brasileira

De acordo com o Art. 4 da Resolução CNE/CES 07/2018 de 18 de dezembro
de 2018 [CNE-4, 2018], ca estabelecido que as atividades de extensão devem
compor, no mínimo, 10% do total da carga horária curricular estudantil dos
cursos de graduação, e devem fazer parte da matriz curricular dos cursos.

No BIA, as atividades complementares envolvem pesquisa, ensino e extensão;

todavia, o computo destas atividades de extensão não representam parte das
320 horas relativas ao percentual estabelecido na Resolução CNE/CES
07/2018 [CNE-4, 2018].

As atividades de extensão, bem como os seus detalhes de computo e

validação, em conformidade com a Resolução CNE/CES 07/2018, são

45
denidos pelo Regulamento de Atividades de Extensão do Bacharelado em
Inteligência Articial, a ser baseado naem resolução especíca da UFG.

46
XIV - Estrutura Curricular

Matriz curricular
A Figura 6 apresenta a síntese da matriz curricular do BIA, enquanto a Figura
7 evidencia quatro conjuntos que emergem da matriz, a saber: Fundamentos
em Matemática e Computação, Mentalidade (“forma de pensar”), Técnicas e
Integração.

Figura 6: Síntese da grade curricular do BIA.

A matriz curricular do curso perfaz 34 disciplinas descritas nos Quadros 1, 2 e

3.

O Quadro 1 apresenta a lista das 13 disciplinas de formação básica em

computação. Em particular, são 3 disciplinas oferecidas pelo Instituto de
Matemática e Estatística (IME); as outras 10, são oferecidas pelo INF. Todas
elas são obrigatórias e pertencem ao Núcleo Comum (NC). Note que os
pré-requisitos das disciplinas estão apresentados na coluna Pré.

47
 Figura 7: Grade curricular do BIA com os conjuntos emergentes.

As disciplinas do Quadro 1 fornecem uma sólida formação em Computação,

o que inclui o recomendado para a formação em Matemática. Além dessas,
outras seis de Computação são oferecidas como optativas no Quadro 3 (p. ).

Quadro 1: Disciplinas de formação básica (obrigatórias). Não há correquisito.

Nº Disciplina Pré Unidade TEO PRA CHT Núcleo

1 Introdução à Programação INF 48 80 128 NC
2 Lógica Matemática INF 64 0 64 NC
3 Cálculo 1A IME 96 0 96 NC
4 Algoritmos e Estruturas de Dados 1 1 INF 32 32 64 NC
5 Programação Orientada a Objetos 1 INF 32 32 64 NC
6 Computação e Sociedade INF 32 0 32 NC
7 Arquitetura de Computadores INF 48 16 64 NC
8 Banco de Dados 2 INF 48 16 64 NC
9 Algoritmos e Estruturas de Dados 2 4 INF 64 0 64 NC
10 Probabilidade e Estatística A 3 IME 64 0 64 NC
11 Análise e Projeto de Algoritmos 4 INF 64 0 64 NC
12 Álgebra Linear IME 64 0 64 NC
13 Redes de Computadores INF 32 32 64 NC
48
As disciplinas do Quadro 2, por outro lado, são especícas do curso de
Inteligência Articial. Todas elas são obrigatórias, fazem parte do Núcleo
Especíco Obrigatório (NEOB) e são oferecidas pelo INF. Em particular, a
disciplina Residência em Inteligência Articial será ministrada por mais de
um professor, sendo esperado um número de cinco docentes.

Quadro 2: Disciplinas do Núcleo Específico Obrigatório. Não há correquisito.

Nº Disciplina Pré Unidade TEO PRA CHT Núcleo

14 Empreendedorismo INF 32 32 64 NEOB
15 Transformação Digital 14 INF 32 32 64 NEOB
16 Pensamento Analítico de Dados INF 32 32 64 NEOB
17 Mineração de Dados 16 INF 32 32 64 NEOB
18 Aprendizado de Máquina Supervisionado INF 32 32 64 NEOB
19 Processamento Digital de Sinais e Imagens INF 32 32 64 NEOB
20 Heurísticas e Modelagem Multiobjetivo INF 32 32 64 NEOB
21 Redes Neurais Profundas 3 INF 32 32 64 NEOB
22 Visão Computacional 19 INF 32 32 64 NEOB
23 Computação de Alto Desempenho INF 32 32 64 NEOB
24 Internet das Coisas 13 INF 32 32 64 NEOB
25 Processamento de Linguagem Natural 21 INF 32 32 64 NEOB
Aprendizado de Máquina Não 18 INF 32 32 64 NEOB
26
Supervisionado
27 Aprendizado de Máquina por Reforço 21 INF 32 32 64 NEOB
28 Processamento de Dados Massivos 23 INF 32 32 64 NEOB
29 Percepção e Ação Robótica 20, 22 INF 32 64 96 NEOB
30 Apoio à Tomada de Decisão 17, 18 INF 32 32 64 NEOB
31 Processamento de Áudio e Voz 25 INF 32 32 64 NEOB
32 Pesquisa e Inovação INF 32 0 32 NEOB
33 Residência em IA 29, 30 INF 0 384 384 NEOB

Seis disciplinas são do Núcleo Especíco Optativo. O estudante terá que

escolher uma delas, conforme as opções oferecidas no Quadro 3 abaixo.

49
 Quadro 3: Disciplinas Optativas. Não há correquisito.

Nº Disciplina (opção) Pré Unidade TEO PRA CHT Núcleo

35 Computação Móvel e Ubíqua 5 INF 16 48 64 NEOP
35 Desenvolvimento de Sistemas para Web 5 INF 32 32 64 NEOP
36 Engenharia de Soware INF 64 0 64 NEOP
37 Interação Humano Computador 4, 10 INF 64 0 64 NEOP
38 Introdução à Língua Brasileira de Sinais FL 64 0 64 NEOP
39 Jogos Digitais 5 INF 0 64 64 NEOP
40 Pesquisa Operacional 12 INF 64 0 64 NEOP
41 Segurança e Auditoria de Sistemas 13 INF 32 32 64 NEOP
42 Sistemas de Apoio à Decisão 5 INF 64 0 64 NEOP
43 Sistemas Distribuídos 5 INF 32 32 64 NEOP
44 Sistemas Inteligentes de Apoio à Decisão 5 INF 64 0 64 NEOP
45 Sistemas Multiagentes 5 INF 32 32 64 NEOP
46 Sistemas Operacionais 7 INF 32 32 64 NEOP
47 Visualização de Informações 9 INF 32 32 64 NEOP
48 Web Semântica 5 INF 32 32 64 NEOP

A Figura 8 apresenta a relação de pré-requisitos da grade curricular.

Ressalta-se que foram estabelecidas apenas as relações consideradas
estritamente necessárias.

50
 Figura 8: Relação de pré-requisitos da grade curricular.

Núcleo livre
O Núcleo Livre (NL) é o conjunto de conteúdos voltado para promover a
interdisciplinaridade e a transdisciplinaridade, dentre outros objetivos.

A carga horária denida pelo BIA para o NL é de 128 horas, que é o mínimo
estabelecido pelo Regimento Geral dos Cursos de Graduação (RGCG) da UFG
[CEPEC 2017]. O total de 128 horas perfaz 4% da carga horária do curso,
conforme a Quadro 4 (p. ).

Atividades complementares
O estudante do BIA deve cumprir o mínimo de 192 horas em atividades
complementares para a integralização curricular. Essas horas correspondem
a 6% da carga horária do curso, conforme a distribuição da carga horária do
curso na Quadro 4 (p. ).

As atividades complementares contemplam ações de monitoria, produção

cientíca, extensão, produção técnica e de representação e qualicação,
dentre outras. O cumprimento das atividades complementares é estabelecido

51
formalmente pelo Regulamento de Atividades Complementares do Bacharelado em
Inteligência Articial, fundamentrado no [CEPEC 2017]

Distribuição da carga horária

Os Quadros 1, 2 e 3, juntamente com a denição das horas do Núcleo Livre
(NL) e das atividades complementares, seções acima, resultam nos valores
apresentados no Quadro 4.

Quadro 4: Distribuição da carga horária.

Componentes curriculares CHT Percentual

Núcleo Comum (NC) 896 28%
Núcleo Especíco (NE) (obrigatório) 1600 50%
Núcleo Especíco (NE) (optativo) 64 2%
Núcleo Livre (NL) 128 4%
Atividades Complementares 192 6%
Atividades de Extensão 320 10%
CARGA HORÁRIA TOTAL (CHT) 3200 100%

Fluxo sugerido
Conforme o diagrama abaixo, as disciplinas estão organizadas em oito
períodos letivos. Os quatro primeiros períodos concentram as disciplinas de
formação básica em Computação e Matemática. Os demais períodos incluem
disciplinas com ênfase na formação especíca em Inteligência Articial.

Quadro 5: Fluxo sugerido.

Introdução à Empreendedori
1º Lógica
Programação smo

Algoritmos e Programação
Computação e Transformação
2º Cálculo 1 Estrutura de Orientada a
Sociedade Digital
Dados 1 Objetos

Análise e Algoritmos e Pensamento

Banco de Probabilidade e
3º Projeto de Estrutura de Analítico de
Dados Estatística A
Algoritmos Dados 2 Dados

52
 Processamento
Aprendizado Mineração de
Arquitetura de Digital de
4º Álgebra Linear de Máquina Dados
Computadores Sinais e
Supervisionado
Imagens

Heurísticas e Computação de
Redes de Visão Redes Neurais
5º Modelagem Alto
Computadores Computacional Profundas
Multiobjetivo Desempenho

Aprendizado
Processamento Aprendizado Processamento
Internet das de Máquina
6º de Dados de Máquina de Linguagem
Coisas Não
Massivos por Reforço Natural
Supervisionado

Apoio à
Percepção Processamento Pesquisa e
7º Tomada de Optativa
Robótica de Áudio e Voz Inovação
Decisão

8º Residência em IA (384 h.) 100% Prática

Os oito semestres são detalhados nos quadros seguintes.

1º PERÍODO

Disciplina CHT Natureza Núcleo

Introdução à Programação 128 Obrigatória NC

Lógica Matemática 64 Obrigatória NC

Empreendedorismo 64 Obrigatória NE

Carga horária do período 256

Carga horária acumulada 256

2º PERÍODO

53
 Disciplina CHT Natureza Núcleo

Cálculo 1A 96 Obrigatória NC

Algoritmos e Estruturas de Dados 1 64 Obrigatória NC

Programação Orientada a Objetos 64 Obrigatória NC

Computação e Sociedade 32 Obrigatória NC

Transformação Digital 64 Obrigatória NE

Carga horária do período 320

Carga horária acumulada 576

3º PERÍODO

Disciplina CHT Natureza Núcleo

Análise e Projeto de Algoritmos 64 Obrigatória NC

Algoritmos e Estruturas de Dados 2 64 Obrigatória NC

Banco de Dados 64 Obrigatória NC

Probabilidade e Estatística A 64 Obrigatória NC

Pensamento Analítico de Dados 64 Obrigatória NE

Carga horária do período 320

Carga horária acumulada 896

4º PERÍODO

Disciplina CHT Natureza Núcleo

Arquitetura de Computadores 64 Obrigatória NC

Álgebra Linear 64 Obrigatória NC

Processamento Digital de Sinais 64 Obrigatória NE

Aprendizado de Máquina Supervisionado 64 Obrigatória NE

Mineração de Dados 64 Obrigatória NE

Carga horária do período 320

Carga horária acumulada 1216

54
 5º PERÍODO

Disciplina CHT Natureza Núcleo

Redes de Computadores 64 Obrigatória NC

Heurísticas e Modelagem Multiobjetivo 64 Obrigatória NE

Redes Neurais Profundas 64 Obrigatória NE

Visão Computacional 64 Obrigatória NE

Computação de Alto Desempenho 64 Obrigatória NE

Carga horária do período 320

Carga horária acumulada 1536

6º PERÍODO

Disciplina CHT Natureza Núcleo

Internet das Coisas 64 Obrigatória NE

Processamento de Linguagem Natural 64 Obrigatória NE

Aprendizado de Máquinas Não Supervisionado 64 Obrigatória NE

Aprendizado de Máquinas por Reforço 64 Obrigatória NE

Processamento de Dados Massivos 64 Obrigatória NE

Carga horária do período 320

Carga horária acumulada 1856

7º PERÍODO

Disciplina CHT Natureza Núcleo

Percepção Robótica 96 Obrigatória NE

Apoio à Tomada de Decisão 64 Obrigatória NE

Processamento de Áudio e Voz 64 Obrigatória NE

Pesquisa e Inovação 32 Obrigatória NE

OPTATIVA 64 Optativa NE

Carga horária do período 320

Carga horária acumulada 2176

55
 8º PERÍODO

Disciplina CHT Natureza Núcleo

Residência em Inteligência Articial 384 Obrigatória NE

Carga horária do período 384

Carga horária acumulada 2560

Disciplinas de formação básica (obrigatórias)

Introdução à Programação
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 48 80 128 1o INF Sim Nenhum

Ementa
1. Introdução a algoritmos.
2. Conceitos básicos de programas: constantes; tipos de dados
primitivos; variáveis; atribuição; entrada e saída de dados; expressões;
estruturas de decisão; estruturas de repetição.
3. Ponteiro.
4. Estruturas de dados homogêneas e heterogêneas: vetores, matrizes,
cadeias de caracteres, registros. Subprogramas: funções; passagens de
parâmetros por valor e por referência, recursividade.
5. Manipulação de arquivos: abertura, fechamento, leitura e gravação.
6. Tipos de acesso a arquivos: sequencial e indexado.
7. Tipos de arquivos (texto e binário).
8. Transcrição de algoritmos para uma linguagem de programação.
9. Domínio de uma linguagem de programação: sintaxe e semântica;
interpretação e compilação de programas; ambiente de
desenvolvimento de programas; estilo de codicação; documentação
de código; técnicas de depuração e técnicas de proling;
desenvolvimento e uso de bibliotecas.

56
Lógica Matemática
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 64 0 64 1o INF Sim Nenhum

Ementa
1. Noções básicas: linguagem natural vs linguagens formais; verdade,
validade, satisfatibilidade; lógica proposicional (sintaxe e semântica,
propriedades e relações semânticas, consequência lógica, simplicação
de fórmulas); lógica de primeira ordem (sintaxe e semântica,
propriedades e relações semânticas, formas normais);
2. Métodos de validação: métodos diretos de prova; métodos de prova
por contradição; indução estrutural.
3. Linguagem para experimentação.
4. Aplicações básicas.

Cálculo 1A
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 96 0 96 2o IME Sim Nenhum

Ementa
1. Números reais. Funções reais de uma variável real e suas inversas.
2. Noções sobre cônicas.
3. Limite e continuidade.
4. Derivadas e aplicações.
5. Polinômio de Taylor.
6. Integrais. Técnicas de Integração. Integrais impróprias.
7. Aplicações..

Algoritmos e Estruturas de Dados 1

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 32 32 64 2o INF Sim Introdução à Programação

Ementa
1. Noções de complexidade de algoritmos (notações de complexidade).

57
 2. Algoritmos de pesquisa: pesquisa sequencial e binária.
3. Algoritmos de ordenação.
4. Tipos abstratos de dados.
5. Estruturas de dados utilizando vetores: pilhas, las, listas (simples e
circulares).
6. Estruturas de dados com alocação dinâmica de memória: pilhas, las,
listas (simplesmente encadeadas, duplamente encadeadas e circulares).

Programação Orientada a Objetos

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 32 32 64 2o INF Sim Introdução à Programação

Ementa
1. Abstração e tipos abstratos de dados.
2. Classes, métodos, encapsulamento, interface. Mensagens, instâncias e
inicialização. Herança e composição. Polimorsmo.
3. Uso de uma linguagem orientada a objetos.
4. Noções de UML.
5. Noções de padrões de projeto orientado a objetos.

Computação e Sociedade
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 32 0 32 2o INF Sim Nenhum

Ementa
1. História da computação.
2. Estudo e análise de casos de aplicação de computadores na sociedade
e para o meio ambiente.
3. Subáreas da computação e áreas interdisciplinares.
4. Importância e desaos da computação no Brasil e no mundo.
5. Cursos de computação e aspectos prossionais: tipos de cursos, pers
prossionais, demanda do mercado, organizações e associações na
área, regulamentação da prossão.
6. Leis e normas relacionadas à Informática.
7. Questões ambientais, raciais, de saúde e de inclusão digital
relacionadas à Computação.
58
 8. Ética na Computação.
9. Empresas de tecnologia da informação.
10. Incubadoras de empresas.

Análise e Projeto de Algoritmos

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisitos:
NC 64 0 64 3.o INF Sim Algoritmos e Estruturas de Dados 1

Ementa
1. Medidas de complexidade, análise assintótica de limites de
complexidade para algoritmos iterativos e recursivos, técnicas de
prova de cotas inferiores.
2. Corretude de Algoritmos.
3. Exemplos de análise de algoritmos.
4. Técnicas de projeto de algoritmos: dividir para conquistar,
programação dinâmica, algoritmos gulosos.
5. Introdução à NP-Completude.

Algoritmos e Estruturas de Dados 2

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 64 0 64 3.o INF Sim Algoritmos e Estruturas de Dados 1

Ementa
1. Árvores: formas de representação, recursão em árvores, árvores
binárias, árvores binárias de busca, árvores balanceadas (AVL e
rubro-negras).
2. Filas de prioridades. Heaps, Heapsort. Hashing: tipos de funções de
hashing; tratamento de colisões.
3. Denições de Grafos.
4. Estruturas de Dados para representação de grafos.
5. Algoritmos básicos em grafos.

59
Banco de Dados
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisitos:
NC 48 16 64 3.o INF Sim Lógica Matemática

Ementa
1. Conceitos básicos de Banco de Dados.
2. Modelo relacional.
3. Linguagens para Banco de Dados: álgebra relacional, cálculo relacional
e SQL.
4. Modelo Entidade-Relacionamento e extensões.
5. Mapeamento ER-relacional.
6. Normalização.

Probabilidade e Estatística A
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 64 0 64 3.o IME Sim Cálculo 1A

Ementa
1. Estatística descritiva. Noções sobre amostragem.
2. Introdução à teoria de conjuntos.
3. Introdução à teoria de probabilidade: espaço amostral, eventos,
frequência relativa, fundamentos de probabilidade, probabilidade
condicional, eventos independentes e teorema de Bayes.
4. Variáveis aleatórias: conceitos básicos, esperança e variância.
5. Distribuições discretas de probabilidade: uniforme, binomial e
Poisson.
6. Distribuições contínuas de probabilidade: uniforme, exponencial,
normal e t-Student.
7. Estimação pontual e intervalar para uma população: média e
proporção.
8. Teste de hipóteses para uma população: média e proporção.
9. Correlação linear e regressão linear simples.

Arquitetura de Computadores
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 48 16 64 4o INF Sim Nenhum
60
Ementa
1. Visão geral dos computadores modernos.
2. Evolução da arquitetura dos computadores.
3. Memória e representação de dados e instruções.
4. Processador, ciclo de instrução, formato e endereçamento.
5. Noções básicas de programação em linguagem de montagem.
6. Dispositivos de entrada e saída.
7. Sistemas de interconexão (barramentos).
8. Interfaceamento e técnicas de entrada e saída.
9. Hierarquia de memória.
10. Introdução a arquiteturas paralelas e métricas de desempenho.

Álgebra Linear
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NC 64 0 64 4.o IME Sim Nenhum

Ementa
1. Sistemas lineares e matrizes.
2. Espaços vetoriais.
3. Transformações lineares.
4. Autovalores e autovetores.
5. Espaços com produto interno.

Redes de computadores
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
o
NE 32 32 64 5 INF Não Nenhum

Ementa
1. Conceitos básicos de redes (4hs)
2. Camada de Aplicação (14hs)
3. Camada de Transporte: transferência conável, controle de
congestionamento, TCP, UDP (12hs)

61
4. Camada de Rede: IPv4, IPv6, algoritmos de roteamento e roteamento
na Internet (8hs)
5. Camada de Enlace e Física (10hs)
6. Redes sem o, mobilidade e redes móveis celulares (12hs)
7. Estudo de caso e aplicações (4h)

62
Disciplinas optativas
Além das disciplinas de formação básica e das disciplinas especícas de
Inteligência Articial, o estudante precisa cumprir uma disciplina optativa.
Para isso, ele deverá cursar e ter êxito em ao menos uma das disciplinas
descritas nesta subceção.

Computação Móvel e Ubíqua

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 16 48 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Computação móvel e ubíqua: conceitos, principais características,
internet das coisas, smart spaces, sensibilidade a contexto, tecnologias
de comunicação e desaos.
2. Plataformas de desenvolvimento móvel e modelos de negócio para
comercialização.
3. Projeto de aplicações móveis: macro e micro arquitetura, padrões de
interface com usuário, persistência de dados, segurança, privacidade e
comunicação.
4. Programação de aplicações móveis: middlewares, frameworks e
sensores.
5. Prática em desenvolvimento de aplicações móveis.

Desenvolvimento de Sistemas para Web

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Abordagens, técnicas, tecnologias e ferramentas para desenvolvimento
de sistemas de informação para web tendo em consideração todo o
ciclo de vida do desenvolvimento de sistemas.

Engenharia de Software
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 7o INF Não Nenhum

63
Ementa
1. Requisitos de soware.
2. Projeto (design) de soware.
3. Construção de soware.
4. Teste de soware.
5. Manutenção de soware.
6. Gerência de conguração de soware.
7. Gerência de projeto de soware.
8. Processo de engenharia de soware.
9. Modelos e métodos de engenharia de soware.
10. Qualidade de soware.
11. Prática prossional de engenharia de soware.
12. Economia para engenharia de soware.
13. Fundamentos de engenharia.

Interação Humano-Computador
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Algoritmos e Estruturas de Dados 1 e
Probabilidade e Estatística A

Ementa
1. Aspectos gerais sobre interação humano-computador.
2. Características humanísticas e biológicas, envolvendo questões sobre
genealogia, gênero, aspectos étnicos, raciais e culturais, direitos e
aspectos políticos, deciências, limitações e capacidades, dentre outros.
3. Ciclo da interação e principais problemas.
4. Metas de usabilidade e experiência do usuário.
5. Fatores humanos em soware interativo: teoria, princípios e regras
básicas.
6. Modelos conceituais e metáforas.
7. Estilos de interação.
8. Elementos de interação (menus, formulários, manipulação direta e
outros).
9. Voz, linguagem natural, sons, páginas web.
10. Padrões para interface.
11. Localização e internacionalização.
64
 12. Princípios de projeto de interfaces humano-computador.
13. Métodos de projeto de interação.
14. Projeto visual (cores, ícones, fontes e outros).
15. Tempo de resposta e retroalimentação.
16. Dispositivos de interação.
17. Métodos de avaliação de interfaces: avaliação heurística, abordagens
para testes realizados com apoio de usuários, técnicas de testes para
páginas web, entre outros.
18. Visão geral de ferramentas de desenvolvimento de interfaces
humano-computador.

Introdução à Língua Brasileira de Sinais

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 7o FL Não Nenhum

Ementa
1. Introdução às práticas de compreensão e produção em LIBRAS
através do uso de estruturas e funções comunicativas elementares.
2. Concepções sobre a Língua de Sinais.
3. O surdo e a sociedade.

Jogos Digitais
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 0 64 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Conceitos fundamentais de jogos: storyboard, mecânica de jogos,
game engines, ambientação e animação em jogos.
2. Aplicação de técnicas de apresentação dos jogos.
3. Deploy de jogos em plataformas.
4. Noções de mercado e tendências tecnológicas para jogos.

Pesquisa Operacional
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 7o INF Não Álgebra Linear

65
Ementa
1. Modelagem.
2. Problema de Programação Linear (PL). Resolução gráca de PL.
3. Algoritmo Simplex. Dualidade. Algoritmo Simplex-Dual.
4. Pós-otimização e Análise de Sensibilidade.

Segurança e Auditoria de Sistemas

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Redes de Computadores

Ementa
1. Auditoria de sistemas.
2. Políticas de segurança.
3. Classicação das informações.
4. Normas de segurança.
5. Ética em segurança da informação.
6. Segurança de sistemas.
7. Ameaças e Ataques.
8. Vulnerabilidades em sowares, serviços e protocolos.
9. Aspectos especiais: vírus, fraudes, criptograa, acesso não autorizado.
10. Engenharia Social.
11. Tópicos Emergentes em Segurança.

Sistemas de Apoio à Decisão

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Tomada de decisão e processo decisório.
2. Fundamentos, técnicas e métodos de Sistemas de Apoio à Decisão.
3. Apresentação de estudos de caso.

Sistemas Distribuídos
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Programação Orientada a Objetos

66
Ementa
1. Introdução a Sistemas Distribuídos.
2. Invocação Remota.
3. Objetos Distribuídos.
4. Arquiteturas Orientadas a Serviços e utilização de serviços Web.
5. Computação Móvel e Ubíqua. Estudo de Casos de Tópicos Emergentes
em Sistemas Distribuídos.

Sistemas Inteligentes de Apoio à Decisão

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Conceitos básicos de Inteligência Articial.
2. Representação do conhecimento e raciocínio.
3. Técnicas de Inteligência Articial para desenvolvimento de Sistemas
Inteligentes de Apoio à Decisão.
4. Apresentação de estudos de caso.

Sistemas Multiagentes
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Introdução à Inteligência Articial e Agentes Inteligentes.
2. Arquiteturas para construção de Sistemas Multiagentes (SMA).
3. Comunicação e cooperação em SMA.
4. Tomada de Decisão em SMA.

Sistemas Operacionais
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Arquitetura de Computadores

Ementa
1. Conceitos de Hardware e Soware.

67
 2. Tipos de Sistemas Operacionais. Organização da Estrutura Interna do
Sistema Operacional. Gerência de Processos. Gerência do Processador.
Gerência de Memória. Gerência de Dispositivos de Entrada e Saída.
Sistemas de Arquivos.
3. Estudos de casos de sistemas operacionais atuais.

Visualização de Informações
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Algoritmos e Estruturas de Dados 2

Ementa
1. Denições, história, modelos e categorias de visualizações de
informação.
2. Semiótica e percepção visual.
3. Expressividade e efetividade de visualizações.
4. Interação com o usuário.
5. Exemplos de técnicas de visualização de informações.
6. Metodologias para desenvolvimento de uma visualização de
informação.
7. Avaliação de visualizações.
8. Tendências futuras na área.

Web Semântica
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Não Programação Orientada a Objetos

Ementa
1. Fundamentos e arquitetura da Web Semântica.
2. Linguagens e/ou padrões para especicação de caracteres, localização,
sintaxe, estrutura e semântica de informação.
3. Ontologias.
4. Framework para programação de aplicações para Web Semântica.

68
Disciplinas específicas do BIA (obrigatórias)
Em geral, disciplinas são apresentadas em um padrão composto por ementa,
bibliograa básica e bibliograa complementar. As disciplinas de Inteligência
Articial, descritas nessa seção, acrescentam uma dimensão denominada
“condições mínimas”, elucidada a seguir.

Condições mínimas
Idealmente uma disciplina deve ser não ambígua e vericável. Por não
ambígua entenda que, sem interferir na autonomia metodológica do
docente, o registro de cada disciplina deve ser preciso no foco e no
compromisso dela perante as demais ações do curso. Por vericável entenda
que o processo de avaliação dos estudantes deve ser bem denido.

O esforço para descrever uma disciplina sem ambiguidades e vericável não

implica em perfeição. Em vez desse alvo, o objetivo é reduzir as variações
constatadas e decorrentes de quem ministra a disciplina. Essas variações
resultam em utuação da qualidade, cuja redução é, de fato, o que justica o
cuidado com a forma empregada para especicar as disciplinas.

A ementa de uma disciplina dene o escopo do discurso da disciplina, ou

seja, o que deve ser abordado na disciplina. Para cada tópico da ementa uma
carga horária é denida. Embora todos os tópicos sejam relevantes, alguns
devem receber maior atenção do que outros. O objetivo é zelar pela
consistência e coerência do projeto pedagógico como um todo. Noutras
palavras, a simples inversão ou alteração dessas horas só faz sentido se a
repercussão for considerada em todo o conjunto das disciplinas, o que
resultaria em projeto pedagógico distinto. Adicionalmente, esta atribuição de
carga horária por tópico não é arbitrária, mas denida de forma criteriosa
para atender o perl denido para o egresso do curso.

As condições mínimas denem o quanto o escopo, denido pela ementa,

deve ser do domínio do estudante para aprovação na disciplina em questão.
Ou seja, enquanto a ementa dene o objeto, as condições mínimas denem o
mínimo que se espera do estudante em relação a tal objeto para que ele seja

69
aprovado na disciplina. Essas condições são identicadas por um conjunto de
atividades, onde cada atividade é acompanhada de um nível. Ou seja, as
atividades denem o que o estudante deve estar apto a fazer, a realizar,
acerca do objeto em questão, e o nível dene a prociência esperada ao
realizar a atividade em questão. São três os níveis:

Segue instruções. O estudante é capaz de realizar passos. O estudante

é capaz de executar as instruções requisitadas pelo docente. Por
exemplo, o estudante deve ser capaz de “compilar código fonte”
usando a ferramenta especicada.
Faz com orientação. O estudante faz com orientação quando é capaz
de realizar uma atividade, sem que instruções ou passos detalhados
sejam fornecidos, contudo, depende da assistência do docente.
Faz sem orientação. O estudante faz sem orientação quando realiza
com a qualidade esperada, sem necessidade de apoio, uma
determinada atividade. Nesse nível o estudante é capaz de dialogar
com o docente sobre a atividade, sem depender dele para que possa
ser realizada.

As condições mínimas não se confundem com as condições “desejadas”, ou

“ideais” de uma disciplina. De fato, espera-se que o egresso de cada disciplina
esteja apto a realizar atividades além daquelas registradas nas condições
mínimas e em níveis mais exigentes do que os estabelecidos. Contudo, ao
realizar todas as atividades, nos níveis identicados pelas condições mínimas,
o estudante é considerado aprovado na disciplina em questão.

Empreendedorismo
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 64 0 64 1o INF Sim Nenhum

Ementa
1. EU S.A. (4h)
2. História e setores da economia (4h)
3. Conceito de Negócio (8h)
4. Modelagem e validação de negócio (16h)

70
 5. Gestão nanceira e nanciamento (12h)
6. Planejamento e evolução empresarial (8h)
7. Estudos de casos e aplicações (12h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Identicar necessidades do mercado e preparar
um modelo de negócio.
2. (Faz com orientação). Analisar a viabilidade de negócios.
3. (Segue instruções). Calcular a necessidade nanceira para a abertura
de um negócio.
4. (Segue instruções). Compreender as necessidades de aquisição de
conhecimento para um novo negócio.

Transformação Digital
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 2o INF Sim Empreendedorismo

Ementa
1. Domínios da transformação digital (8h)
2. Tecnologias exponenciais, estratégias digitais e análise de dados (8h)
3. Modelos de Negócios Digitais: online, online2oine, plataformas e
variações de marketplace (8h)
4. Processos de transformação digital (8h)
5. Estudos de caso: saúde, mídias, agronegócio, logística, segurança e
cidades inteligentes (32h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar as vantagens e limitações das
tecnologias digitais.
2. (Faz com orientação). Identicar as diferenças entre modelos de
negócios tradicionais, digitais e intersecções.
3. (Segue instruções). Planejar a transformação digital de uma
organização por meio da experimentação de novas ideias, revisitação
de crenças básicas e transformação das regras de negócios clássicas
para o contexto exponencial.

71
Pensamento Analítico de Dados
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 3o INF Sim Nenhum

Ementa
1. Introdução ao pensamento analítico de dados (4h)
2. Problemas de negócio (6h)
3. Coleta de dados e pré-processamento (8h).
4. Análise exploratória de dados (10h)
5. Modelagem (16h)
6. Sumarização de resultados (8h)
7. Estudo de caso e aplicações (12h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever as etapas típicas do pensamento
analítico de dados.
2. (Faz com orientação). Organizar e preparar a sumarização dos
resultados obtidos.
3. (Segue instruções). Coletar e organizar dados.
4. (Segue instruções). Reconhecer as técnicas adequadas para análise
exploratória e modelagem de dados para um dado problema

Mineração de Dados
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 4o INF Sim Pensamento Analítico de Dados

Ementa
1. Introdução à mineração de dados (4h).
2. Técnicas para análise de dados (8h).
3. Técnicas de pré-processamento de dados com limpeza,
transformação, redução de dimensionalidade e de crawling (16h).
4. Algoritmos para mineração de dados (20h).
5. Avaliação de experimentos: amostragem, ajuste de parâmetros de
algoritmos, métricas de avaliação, comparação entre modelos (8h).
6. Estudo de caso e aplicações (8h)

72
Condições mínimas (estar apto a):
1. (Faz sem orientação). Reconhecer as técnicas adequadas para análise
exploratória e modelagem de dados para um dado problema.
2. (Faz com orientação). Coletar e preparar os dados para um dado
problema.
3. (Faz com orientação). Utilizar frameworks de alto nível em cada etapa
da mineração de dados.
4. (Faz com orientação). Avaliar e comparar modelos.
5. (Segue instruções). Propor e desenvolver soluções utilizando as
ferramentas de mineração de dados.

Aprendizado de Máquina Supervisionado

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 4o INF Sim Nenhum

Ementa
1. Regressão linear e regressão Logística (4h)
2. Aprendizado Bayesiano (10h)
3. Redes neurais articiais (conceitos básicos, perceptron, adaline,
perceptron multicamadas (backpropagation)) (10h)
4. Máquinas de vetor suporte (Support Vector Machines - SVMs) (8h).
5. Métodos para comitês de classicadores e regressores (8h)
6. Algoritmos baseados em árvores de decisão: Random Forest e
XGBoost e derivações (16h)
7. Aplicações e estudos de caso (8h).

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar os conceitos básicos das redes neurais
articiais.
2. (Faz com orientação). Realizar a parametrização e customização de
algoritmos de aprendizado de máquina supervisionados.
3. (Segue instruções). Analisar de maneira profunda a aderência de cada
algoritmo de aprendizado de máquina supervisionado para diferentes
tipos de problemas.

73
Processamento Digital de Sinais e Imagens
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 4o INF Sim Nenhum

Ementa
1. Introdução a sinais,captação e conversão de sinais analógicos e digitais
(4h)
2. Sinais, seqüências e operações discretas (8h)
3. Aquisição, formação de imagens digitais (8h)
4. Técnicas de análise no tempo e frequência (Fourier e Wavelet) (12h)
5. Morfologia matemática (8h)
6. Algoritmos para segmentação e denição de ROI (8h)
7. Processamento de cores e texturas (8h)
8. Seleção de descritores e reconhecimento (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar as diferentes fases do processamento
digital de sinais e imagens.
2. (Faz com orientação). Aplicar os algoritmos básicos de processamento
de sinais e imagens.
3. (Segue instruções). Modelar e implementar conjuntos de algoritmos
para as diferentes fases do processamento de sinais e imagens.

Heurística e Modelagem Multiobjetivo

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
o
NE 32 32 64 5 INF Sim Nenhum

Ementa
1. Princípios de modelagem de problemas (8h): denição do problema,
identicação das variáveis, representação.
2. Agentes e Busca (4h)
3. Busca Informada (4h)
4. Busca Adversária (4h)

74
 5. Busca Local (8h)
6. Busca Guiada (12h)
7. Modelagem multiobjetivo (8h)
8. Estratégias de busca multiobjetivo (8h)
9. Estudos de casos e aplicações (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever o que é uma heurística e uma
modelagem multiobjetivo.
2. (Faz com orientação). Reconhecer e modelar um problema que
demanda o uso de heurística.
3. (Segue instruções). Criar ou realizar a customização de uma heurística,
inclusive com modelagem multiobjetivo.

Redes Neurais Profundas

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 5o INF Sim Cálculo 1 A

Ementa
1. Redes neurais multicamadas (8h).
2. Arquiteturas de redes neurais convolucionais (16h)
3. Parametrização de redes profundas (16h): parâmetros versus
hiperparâmetros, algoritmos de otimização para aprendizado
profundo, regularização e sintonização de hiperparâmetros.
4. Arquiteturas recorrentes (12h): Recorrência, LSTM (Long Short Term
Memory), GRU (Gated Recurrent Unit).
5. Aplicações e estudos de caso (12h).

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever as principais arquiteturas de redes
neurais profundas e suas aplicações.
2. (Faz com orientação). Realizar a parametrização de redes neurais
profundas com arquiteturas pré-denidas.
3. (Segue instruções). Realizar a customização de arquiteturas de redes
neurais profundas.

75
Visão Computacional
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 5o INF Sim Processamento Digital de Sinais e Imagens

Ementa
1. Imagem como um sinal (8h)
2. Extração de características em imagens (12h)
3. Representação espaço-escala (8h)
4. Segmentação (8h)
5. Rastreamento em vídeo (12h)
6. Reconhecimento de objetos (12h)
7. Estudos de caso e aplicações (4h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever as etapas de uma solução de visão
computacional.
2. (Faz com orientação). Implementar cada etapa de uma solução típica
de visão computacional.
3. (Segue instruções). Projetar um sistema de visão computacional.

Computação de Alto Desempenho

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 5o INF Sim Nenhum

Ementa
1. Introdução aos sistemas computacionais de alto desempenho (4h)
2. Arquiteturas para computação de alto desempenho (8h)
3. Sistemas Operacionais (8h)
4. Medição de performance (4h)
5. Modelos de programação paralela: linguagens, compiladores,
bibliotecas, sistemas de comunicação (24h)
6. Estudos de caso e aplicações (16h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever os principais componentes das
arquiteturas da Computação de Alto Desempenho.

76
 2. (Faz com orientação). Criar e testar código envolvendo modelos de
programação paralela.
3. (Segue instruções). Comparar soluções com e sem as técnicas da
Computação de Alto Desempenho.

Internet das Coisas

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 6o INF Sim Redes de Computadores

Ementa
1. Arquiteturas de IoT (12h)
2. Plataformas de hardware e sensores (12h)
3. Programação e otimização de soware para soluções embarcadas (16h)
4. Computação em nuvem e virtualização (8h)
5. Segurança da informação (8h)
6. Estudo de casos e aplicações (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar a principais arquiteturas e plataformas
de suporte da IoT.
2. (Faz com orientação). Reconhecer a importância da segurança da
informação e da computação em nuvem na construção de soluções.
3. (Segue instruções). Programar soluções embarcadas.

Processamento de Linguagem Natural

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 6o INF Sim Redes Neurais Profundas

Ementa
1. Conceitos básicos: corpus, anotação e estratégia de preparação e
extração de características de informações textuais (6h)
2. Etiquetagem morfossintática (6h)
3. Análise sintática de texto (6h)
4. Representações contínuas de palavras (10h)
5. Modelos de linguagem (20h)
6. Aprendizado Multi-tarefa (8h)

77
 7. Estudos de caso e aplicações (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Denir os conceitos básicos e característicos do
processamento de linguagem natural.
2. (Faz com orientação). Aplicar modelos de representação típicos para o
processamento de linguagem natural .
3. (Segue instruções). Desenvolver soluções utilizando modelos de
linguagem.

Aprendizado de Máquina Não Supervisionado

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 6o INF Sim Aprendizado de Máquina Supervisionado

Ementa
1. Agrupamentos baseados em entropia, agrupamento espacial com base
em densidade com ruído (DBSCAN) e técnicas de análise de outliers
(10h)
2. Análise de componentes principais, análise de componentes
independentes, separação cega de fontes e incorporação estocástica de
vizinhos distribuídos (t-SNE) (14h)
3. Autoencoders (14h)
4. Modelos generativos adversariais (GANs) (18h)
5. Aprendizado semi-supervisionado (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Denir o que é um aprendizado não
supervisionado e suas aplicações.
2. (Faz com orientação). Denir métricas e utilizar algoritmos para
problemas de aprendizado não supervisionado.
3. (Segue instruções). Realizar a customização, implementação e
parametrização de algoritmos de aprendizado de máquina não
supervisionados.

Aprendizado de Máquina por Reforço

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
78
NE 32 32 64 6o INF Sim Redes Neurais Profundas

Ementa
1. Fundamentos de aprendizado por reforço com processo de decisão
markoviano (8h)
2. Ambientes de simulação de aprendizado por reforço em jogos digitais
(8h)
3. Paradigmas de reforço por programação dinâmica (métodos tabulares)
(4h)
4. Paradigmas baseados em amostragem (4h)
5. Aprendizado por Reforço Profundo (12h)
6. Policy Gradients (12h)
7. Aprendizado baseado em modelo (8h)
8. Métodos avançados de aprendizado por reforço (8h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar o aprendizado por reforço no contexto
de inteligência articial e sua relação com outros tipos de aprendizado.
2. (Faz com orientação). Reconhecer as técnicas necessárias para a
construção de uma solução por reforço para um dado problema.
3. (Segue instruções). Criar um sistema de aprendizado por reforço para
apoio à tomada de decisão.

Processamento de Dados Massivos

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 6o INF Sim Computação de Alto Desempenho

Ementa
1. Sistemas distribuídos (4h)
2. Armazenamento de dados massivos (estruturados e não estruturados)
(12h)
3. Modelo de programação MapReduce e ecossistema Hadoop (16h)
4. Fluxo de dados massivos (10h)
5. Técnicas de mineração de dados massivos (14h)
6. Estudos de casos e aplicações (8h)

79
Condições mínimas (estar apto a):
1. (Faz sem orientação). Explicar os principais conceitos e desaos do
processamento de dados massivos.
2. (Faz com orientação). Empregar as técnicas e utilizar os ecossistemas
atuais de suporte a dados massivos.
3. (Segue instruções). Produzir soluções de mineração de dados aplicados
a dados massivos.

Percepção e Ação Robótica

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Sim Visão Computacional e Heurísticas e
Modelagem Multiobjetivo

Ementa
1. Tipos de sensores para robótica (6h)
2. Percepção a partir de visão computacional (18h)
3. Calibração de câmeras e visão estereoscópica (10h)
4. Odometria visual (14h)
5. Fusão sensorial e técnicas de localização robótica (6h)
6. Localização e mapeamento simultâneo (SLAM) (24h)
7. Planejamento de rotas e navegação (18h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Explicar os conceitos básicos envolvidos na
percepção e ação robótica.
2. (Faz com orientação). Aplicar técnicas de visão computacional em
soluções robóticas.
3. (Segue instruções). Aplicar técnicas de localização e mapeamento.
4. (Segue instruções). Projetar soluções em percepção e ação de robôs.

Apoio à Tomada de Decisão

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Sim Aprendizado de Máquina Supervisioando e
Mineração de Dados

80
Ementa
1. Introdução ao apoio à tomada de decisão (4h)
2. Análise descritiva (8h).
3. Análise diagnóstica (8h)
4. Análise preditiva (8h)
5. Análise prescritiva (8h)
6. Estudos de casos e aplicações (28h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Propor e combinar ferramentas e técnicas para
coletar, processar e modelar dados e visualizar informações.
2. (Faz com orientação). Reconhecer a relevância dos problemas levando
em consideração aspectos estratégicos organizacionais e de mercado.
3. (Faz com orientação). Planejar e propor soluções de apoio à tomada de
decisão e comparar a relação de custo-benefício entre soluções.

Processamento de Áudio e Voz

Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Sim Processamento de Linguagem Natural

Ementa
1. Modelos acústicos tradicionais, misturas de gaussianas e cadeias
ocultas de markov (8h).
2. Representações de sinais para áudio e voz (8h).
3. Arquiteturas de redes neurais para reconhecimento de fala (16h).
4. Modelos de encoder, vocoder e arquiteturas para sintetização de voz
(24h).
5. Arquiteturas para aplicações em música (8h).

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever as representações da informação de
áudio e voz para aprendizado de máquina e suas aplicações.
2. (Faz com orientação). Preparar os dados e aplicar as principais técnicas
envolvendo áudio e voz.
3. (Segue instruções). Escolher arquiteturas para soluções de
reconhecimento de padrões em áudio e voz.

81
Pesquisa e Inovação
Núcleo TEO PRA TOTAL Período Unidade Obrigatória Pré-requisito:
NE 32 32 64 7o INF Sim Nenhum

Ementa
1. Tipologias da inovação: industrial, em serviços, tecnológica,
organizacional, aberta e fechada (4h).
2. Sistema de inovação, políticas de ciência, tecnologia e inovação (CT&I)
no Brasil e no mundo (4h)
3. Pesquisa em acervos físicos e virtuais: títulos, base de dados,
periódicos, patentes, marcas, desenhos industriais (4h)
4. Método cientíco. Conceituação, tipos e metodologia de pesquisa (8h)
5. Elaboração de artigos técnico cientícos, projetos de pesquisa e
projetos de inovação (12h)

Condições mínimas (estar apto a):

1. (Faz sem orientação). Descrever o método cientíco e os tipos de
inovação.
2. (Faz com orientação). Aplicar as etapas e ferramentas metodológicas
do método cientíco, tecnológico e de inovação.
3. (Faz com orientação). Prospectar oportunidades de pesquisa e
inovação.
4. (Segue instruções). Elaborar projetos de pesquisa e inovação.

Residência em Inteligência Artificial

Núcleo Carga horária Teórica Prática Período (fluxo) Pré-requisito:
NE 320 0 320 8.o Percepção e Ação Robótica e Apoio à
Tomada de Decisão

Durante os sete primeiros semestres do curso de Bacharelado em

Inteligência Articial, o aluno deverá vivenciar o aprendizado dos diversos
paradigmas e técnicas relacionadas à Inteligência Articial e à Ciência de
Dados. As disciplinas cursadas pelo aluno e as demais atividades do curso lhe
proporcionarão um conhecimento amplo da área e lhe fornecerão
ferramentas conceituais e tecnológicas para atuar como agente
transformador, propondo soluções ecientes e até mesmo inovadoras para os

82
mais diversos problemas da sociedade. Com este objetivo, o trabalho
colaborativo, a proatividade, o empreendedorismo, a ética, o desejo de
inovar e de construir um mundo melhor são incentivados ao longo do curso.

Após este período, o aluno deverá participar do Programa de Residência em

IA, no qual terá a oportunidade de imersão em uma realidade em que deverá
dedicar-se integralmente à solução de um problema concreto. Ao
concentrar-se integralmente em solucionar um problema complexo,
espera-se que o aluno desenvolva ainda mais suas capacidades cognitivas, seu
raciocínio lógico e criatividade, além de melhorar seu desempenho como
membro de equipes técnicas ou não, através de trabalho em grupo. Durante
o Programa, o aluno passará a integrar uma das diversas equipes de trabalho
e deverá atuar, de forma proativa, colaborativa e cooperativa na construção
de soluções para problemas relevantes para a sociedade. Ao concluir o
Programa, espera-se que o aluno esteja preparado para atuar como um
prossional capacitado a resolver problemas complexos, utilizando a
computação como meio.

A Residência em Inteligência Articial é um programa que visa inserir o

aluno concluinte do curso de Bacharelado em Inteligência Articial em
projetos integradores, que incluem a solução de problemas reais, de natureza
complexa, de interesse da sociedade, sugeridos por entidades públicas ou
privadas, cuja solução proporcione a geração de valor. Este valor pode ser
traduzido na melhoria de processos ou produtos existentes, na geração de
novos produtos ou processos, na geração de startups, no empreendedorismo
social, etc. Como o Programa requer uma imersão no problema a ser
resolvido, espera-se que o aluno já tenha integralizado todas as disciplinas do
curso e concluído as demais atividades extracurriculares, e possa dedicar-se
integralmente a ele.

O projeto a ser realizado durante o Programa de Residência em Inteligência

Articial poderá ser desenvolvido em parceria, envolvendo pesquisa,
extensão e/ou inovação, com a sociedade. Essa interação entre a academia e a
sociedade é de fundamental importância para a formação plena do Bacharel
em Inteligência Articial, uma vez que um dos objetivos fundamentais do

83
curso é formar prossionais empreendedores e inovadores, capazes de atuar
como agentes transformadores na sociedade. O projeto deverá ser
desenvolvido em equipes, as quais serão acompanhadas por professores e
por prossionais externos, sejam da iniciativa privada ou de outras entidades
públicas. Os projetos a serem desenvolvidos deverão, preferencialmente ser
projetos de “longo prazo”, envolvendo a participação de diversos alunos ao
longo do tempo. Essa continuidade é importante para a disseminação do
conhecimento adquirido pelos discentes de forma sinérgica, compartilhando
experiências adquiridas.

O Programa de Residência em Inteligência Articial é uma disciplina que é

integralizada com 384 horas de atividades nos projetos do programa. Ela é
ofertada a cada semestre letivo e os docentes atuam como preceptores, sendo
estes os prossionais responsáveis pela integração teoria-prática ao longo do
programa, ensinando, supervisionando, orientando e conduzindo o aluno na
prática efetiva de sua futura prossão.

O objetivo é gerar uma oportunidade ao aluno concluinte do curso de

Bacharelado em Inteligência Articial a experiência em todas as etapas do
processo de solução de um problema real, passando pela identicação e
especicação do problema, levantamento da fundamentação teórica
necessária, identicação de soluções existentes para problemas
similares/correlatos, modelagem, construção da solução propriamente dita,
além de documentação adequada de todo o processo.
Atuação como membro de uma equipe encarregada de resolver problemas
reais com impacto direto na sociedade. Por m espera-se a consolidação dos
conhecimentos, habilidades e competências adquiridos no curso,
aplicando-os de forma prática na solução de problemas reais.

Ementa
Resolução de problemas complexos por meio da utilização do
conhecimento, habilidades e competências adquiridas no curso.

84
Condições mínimas (estar apto a)
1. (Faz sem orientação): Identicar se um determinado problema é
passível de ser resolvido, utilizando ferramentas computacionais, a um
custo aceitável.
2. (Faz sem orientação): Estimar os custos associados à solução de um
problema e o valor que sua solução trará para a sociedade.
3. (Faz sem orientação): Construir um modelo computacional, a partir
das diversas técnicas/paradigmas aprendidos no curso para a solução
de um problema real.
4. (Faz sem orientação): planejar uma estratégia para a solução de um
problema real, incluindo a organização de equipes, denição de
processos e avaliação de resultados.
5. (Faz sem orientação): implementar uma solução computacional para
um problema, a partir de um modelo denido previamente,
utilizando soluções já existentes, ou desenvolvendo novas soluções.
6. (Faz sem orientação): fazer levantamento dos recursos necessários e
disponíveis (incluindo equipamentos e soware) a serem utilizados em
um projeto.
7. (Faz sem orientação): atuar, de forma proativa e empreendedora, de
forma individual ou em equipes de trabalho, seguindo a ética e
pautado pelo interesse de atuar como agente transformador da
sociedade.

85
Referências
ANDERSON, M., ANDERSON, S. L., “Machine Ethics”. Cambridge
University Press. ISBN 978-0-521-11235-2, July 2011.
APOEMA. Apoema: Tecnologia e Inovação. Órgão complementar de
pesquisa e desenvolvimento do Instituto de Informática. Disponível
em http://apoema.inf.ufg.br.
CEPEC. RESOLUÇÃO CEPEC 1557/2017, 01 de dezembro de 2017.
Universidade Federal de Goiás (UFG), 2017.
CEPEC-1. RESOLUÇÃO CEPEC 1286/2014, 6 de junho de 2014.
Universidade Federal de Goiás (UFG), 2014.
CEPEC-2. RESOLUÇÃO CEPEC 1302/2014, 11 de julho de 2014.
Universidade Federal de Goiás (UFG), 2014.
CEPE-3. RESOLUÇÃO CEPEC 1538R/2017, 06 de outubro de 2017.
Universidade Federal de Goiás (UFG), 2017.
CNE-1. Conselho Nacional de Educação/Câmara de Educação
Superior. Resolução CNE/CES 02/2007, 2007
CNE-2. Conselho Nacional de Educação/Câmara de Educação
Superior. Resolução CNE/CES 03/2007, 2007.
CNE-3. Conselho Nacional de Educação/Câmara de Educação
Superior. Parecer CNE/CES 136/2012, 2012.
CNE-4. Conselho Nacional de Educação/Câmara de Educação
Superior. Resolução CNE/CES 07/2018, 2018.
COMTEC. Comunidade Tecnológica de Goiás (COMTEC). Disponível
em: http://www.comtecgo.com.br/.
CONSUNI. RESOLUÇÃO CONSUNI 10/2008, 27/06/2008.
Universidade Federal de Goiás (UFG), 2008.
CONSUNI. RESOLUÇÃO CONSUNI 02/2014, 24 de janeiro de 2014.
Universidade Federal de Goiás (UFG), 2014.
FEUERSTEIN, R., FEUERSTEIN, R. S., FALIK, L., & RAND, Y. Creating
and enhancing cognitive modiability: The Feuerstein Instrumental
Enrichment Program, Part I Theoretical and conceptual foundations,
Part II, Practical applications of the Feuerstein Instrumental
Enrichment Program. ICELP Publications, 2006.
IBGE. Portal http://www.ibge.gov.br/ consultado em 18/05/2014.

86
[MEC 2016] Diretrizes Curriculares Nacionais para os cursos de
graduação em Computação. Resolução CNE/CES 005/2016.
Disponível em http://portal.mec.gov.br/
OECD. Education at a Glance 2012: OECD indicators, OECD
Publishing, 2012, ISBN 978-92-64-17929-5.
PMI. A guide to the project management body of knowledge
(PMBOK® guide). Newtown Square, PA: Project Management
Institute, 2017
PLS. Plano de Logística Sustentável da Universidade Federal de Goiás.
Disponível em https://sustentabilidade.prodirh.ufg.br/.
VERUGGIO, G. "The Roboethics Roadmap". Scuola di Robotica: 2,
2007.
WILKINSON, A. Empowerment: theory and practice. Personnel
review, 27(1), 40-56, 1998.

87
Apêndice A
Reúne as bibliograas básicas e complementares das disciplinas do curso. As
disciplinas estão agrupadas em disciplinas de formação básica (obrigatórias),
disciplinas de formação básica (optativas) e disciplinas especícas de
Inteligência Articial.

A.1 - Disciplinas obrigatórias

Introdução à Programação
Bibliografia básica
FOBERLONE, A. L. V.; EBERSPACHER, H. F. Lógica de Programação:
A construção de algoritmos e estruturas de dados. 3.a edição. São
Paulo: Prentice Hall, 2005.
ASCENCIO, A. F. G.; CAMPOS, E. A. V. Fundamentos da Programação
de Computadores. 3.a edição. Editora Pearson, 2010.
SCHILDT, H. C Completo e Total. 3a Ed. São Paulo: Makron Books,
1996.

Bibliografia complementar
FEOFILOFF, P. Algoritmos em Linguagem C. Editora
Campus/Elsevier, 2009.
FARRER, H. at al. Programação Estruturada de Computadores:
Algoritmos Estruturados. 3.a edição. Rio de Janeiro: LTC, 1989.
SEDGEWICK, R. Algorithms in C. 3rd ed. Reading, Mss:
Addison-Wesley, 1998. ISBN 0201314525.
SALVETTI, D. D.; BARBOSA, L. M. Algoritmos, São Paulo: Makron
Books, 1998.
CORMEN, T. H et al., Algoritmos: Teoria e Prática. 2.a edição. Rio de
Janeiro: Editora Campus, 2002.

88
Lógica Matemática
Bibliografia Básica
SOUZA, J. N. Lógica para Ciência da Computação. Editora Campus, 3.a
Edição, 2015.
SILVA, F. C.; FINGER, M.; MELO, A. C. V. Lógica para Computação.
Thomson Learning, 2006.
HUTH, M.; RYAN, M. Lógica em Ciência da Computação: modelagem
e argumentação sobre sistemas. 2.a edição. Editora LTC, 2008.

Bibliografia Complementar
MORTARI, C. Introdução à Lógica. São Paulo: UNESP. 2001.
MENDELSON, E. Introduction to Mathematical Logic, Academic
Press, 2000.
ENDERTON, H. A. Mathematical Introduction to Logic. Academic
Press 2000.
SMULLYAN, R. Lógica de Primeira Ordem. São Paulo: UNESP. 2009.
CASANOVA, M. A.; GIORNO, F. A. C.; FURTADO, A. L. Programação
em Lógica e a Linguagem PROLOG. Edgard Blucher, 1987.

Empreendedorismo
Bibliografia Básica
FERRARI, R. Empreendedorismo para computação: criando negócios
de tecnologia. Elsevier, 2009.
RIES, E. The lean startup: How today's entrepreneurs use continuous
innovation to create radically successful businesses. Crown Books,
2011.
ROGERS, D. L. Transformação digital: repensando o seu negócio para
a era digital. Autêntica Business, 2017.

89
Bibliografia Complementar
BROWN, T. Design Thinking: uma metodologia poderosa para
decretar o m das velhas ideias. Alta Books Editora, 2018.
KNAPP, J.; ZERATSKY, J.; KOWITZ B. Sprint: How to solve big
problems and test new ideas in just ve days. Simon and Schuster,
2016.
HERBERT, L. Digital Transformation: Build Your Organization's
Future for the Innovation Age. Bloomsbury Publishing, 2017.
LOREO, A. 6 competências para surfar na transformação digital.
Planeta estratégia, 2019.
CHESBROUGH, H. Open innovation: The New Imperative for
Creating and Proting from Technology. Havard Business School
Press, Boston, MA, 2003.

Cálculo 1A
Bibliografia Básica
LEITHOLD, L. O cálculo com geometria analítica. 3 ed. V. 1. São
Paulo: Harbra, 1994.
GUIDORIZZI, H. L. Um curso de cálculo. 5 ed. V. 1. Rio de Janeiro:
LTC, 2001.
ÁVILA, G. S. S. Cálculo das funções de uma variável. 7 ed. V. 1. Rio de
Janeiro: LTC, 2004.
STEWART, J. Cálculo. 5. ed. V. 1. São Paulo: Pioneira Thomson
Learning, 2006.

Bibliografia Complementar
FLEMMING, D. M.; GONÇALVES, M. B. Cálculo A: funções, limite,
derivação e integração. 6 ed. São Paulo: Pearson Prentice Hall, 2006.
SWOKOWSKI, E. W. Cálculo com geometria analítica. V. 1. São Paulo:
McGraw-Hill do Brasil, 1983.
HOFFMANN, L. D. et al., Cálculo: um curso moderno e suas
aplicações. 11 ed. Rio de Janeiro: LTC, 2015.
SIMMONS, G. F. Cálculo com geometria analítica. V. 1. São Paulo:
Pearson Education do Brasil, 1987.

90
 ROGÉRIO, M. U. et al. Cálculo diferencial e integral: funções de uma
variável. 2. ed. Goiânia: UFG, 1992.
REIS, G. L; SILVA, V. V. Geometria analítica. 2. ed. São Paulo: LTC,
1996.

Algoritmos e Estruturas de Dados 1

Bibliografia Básica
FEOFILOFF, P. Algoritmos em Linguagem C. Editora
Campus/Elsevier, 2009.
SZWARCFITER, J. L.; MARKENZON, L. Estruturas de Dados e seus
Algoritmos. 2ª edição, LTC, 1994.
TENENBAUM, A. M.; LANGSAM, Y.; AUGENSTEIN, M. Estruturas de
Dados Usando C, São Paulo, Makron Books, 1995.

Bibliografia Complementar
CORMEN, T. H. et al., Algoritmos: Teoria e Prática. 2.ª edição, Rio de
Janeiro: Editora Campus, 2002.
SALVETTI, D. D.; BARBOSA, L. M.; Algoritmos, Makron Books, São
Paulo, 1998.
SEDGEWICK, R. Algorithms in C++ (Parts 1-4), Addison-Wesley, 3rd
Edition, 1998.
ZIVIANI, N. Projeto de Algoritmos com implementação em Pascal e C.
São Paulo: Editora Thomson, 3.ª edição, 2010.
ZIVIANI, N. Projeto de Algoritmos com implementação em Java e
C++. São Paulo: Editora Thomson, 2006.

91
Programação Orientada a Objetos
Bibliografia Básica
BORATTI, I. C. Programação orientada a objetos em Java. 1.a Edição.
Visual Books, 2007.
ECKEL, B. Thinking in Java. Prentice Hall, 3. a Edição, 2002.
DEITEL, P. J.; DEITEL, H. M. Java: como programar 6.a ed. São Paulo:
Prentice Hall, 2005. 1386 p.

Bibliografia Complementar
BUDD, T. An Introduction to Object-Oriented Programming. Addison
Wesley, 1996.
GAMMA, E. et al. Design patterns: elements of reusable
object-oriented soware. Reading: Addison Wesley, 1995.
HORSTMANN, C. S. Core Java – Volume II – Advanced Features,
Prentice Hall, 8.a Edição, 2008.
SANTOS, R. Introdução à Programação Orientada a Objetos com Java.
Campus, 2003.
ZEIGLER, B. P. Objects and Systems: Principled Design with
Implementations in C++ and Java. Springer-Verlag New York, Inc., New
York, NY, USA. 1997.

Computação e Sociedade
Bibliografia Básica
FONSECA FILHO, C. História da computação: O Caminho do
Pensamento e da Tecnologia. Porto Alegre: EDIPUCRS, 2007.
MASIERO, P. Ética em Computação. Editora da USP, 2000.
VELOSO, R. Tecnologias da Informação e Comunicação: Desaos e
Perspectivas. São Paulo: Saraiva, 2011.

Bibliografia Complementar
CHALITA, G. Os Dez Mandamentos da Ética. Editora Nova Fronteira,
2003.
DRUMMOND, V. Internet, Privacidade e Dados Pessoais. Editora
Lumen Juris, 2003.

92
 KACZMARCZYK, L. C. Computers and Society: Computing for Good.
Chapman & Hall/CRC Textbooks in Computing. CRC Press, 2011.
LUCCA, N.; FILHO, A. S. Direito & Internet. Editora Edipro, 2001.
PAESANI, L. M. Direito de Informática. Editora Atlas, 2005.

Transformação Digital
Bibliografia básica
ROGERS, D. L. Transformação digital: repensando o seu negócio para
a era digital. Autêntica Business, 2017.
SAMPAIO, R. Vantagem digital: Um guia prático para a transformação
digital. Alta Books Editora, 2018.
MAHESHWARI, A. Digital Transformation: Building Intelligent
Enterprises. John Wiley & Sons Inc, 2019.

Bibliografia complementar
FERRARI, R. Empreendedorismo para computação: criando negócios
de tecnologia. Elsevier, 2009.
HERBERT, L. Digital Transformation: Build Your Organization's
Future for the Innovation Age. Bloomsbury Publishing, 2017.
RIES, E. The lean startup: How today's entrepreneurs use continuous
innovation to create radically successful businesses. Crown Books,
2011.
LOREO, A. 6 competências para surfar na transformação digital.
Planeta estratégia, 2019.
CHESBROUGH, H. Open innovation: The New Imperative for
Creating and Proting from Technology. Havard Business School
Press, Boston, MA, 2003.

93
Análise e Projeto de Algoritmos
Bibliografia Básica
BRASSARD, G.; BRATLEY, P. Fundamentals of Algorithmics.
Prentice-Hall, Inc., Upper Saddle River, NJ, 1996. ISBN: 0-13-335068-1.
CORMEN, T. H.; LEISERSON, C. E.; RIVEST, R. L.; STEIN, C.
Algoritmos: Teoria e Prática, 3. a edição, Campus, 2012.
PAPADIMITRIOU, C. H.; VAZIRANI, U. V.; DASGUPTA, S. Algoritmos.
2009. McGraw-Hill Brasil. ISBN 9788577260324.

Bibliografia Complementar
AHO, A. V.; HOPCROFT, J. E.; ULLMAN, J. D. The Design and
Analysis of Computer Algorithms, Addison-Wesley Publishing
Company, 1974. ISBN 0-201-00029-6.
BAASE, S.; GELDER, A. V. Computer Algorithms: Introduction to
Design and Analysis, 3 rd Edition, Pearson, 1999.
MAMBER, U. Introduction to Algorithms. Addison Wesley Publishing
Company. 1989.
SEDGEWICK, R.; WAYNE, K. Algorithms. 4th edition, Addison-Wesley
Professional, 2011. ISBN: 978-0321573513
SZWARCFITER, J. L.; MARKENZON, L. Estrutura de Dados e seus
Algoritmos. 3.a edição, LTC Editora, 2010. ISBN 978852161750.

94
Banco de Dados
Bibliografia Básica
ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados, 6.ª ed.,
Pearson - Addison Wesley, 2011.
HEUSER, C. A. Projeto de Banco de Dados, 6.ª edição, Bookman, Porto
Alegre, 2009.
SILBERSCHATZ, A.; KORTH, H. F.; SUDARSHAN, S. Sistema de
Banco de Dados, 5.ª edição, Editora Campus, Rio de Janeiro, 2006.

Bibliografia Complementar
CONNOLLY, T. M.; BEGG, C. E.; STRACHAN, A. D. Database systems:
a practical approach to design, implementation and management, 3rd.
Edition, Addison Wesley, 2010.
DATE, C. J. Introdução a Sistemas de Banco de Dados, tradução da 8.a
edição americana, Editora Campus, Rio de Janeiro, 2004.
GARCIA-MOLINA, H.; ULLMAN, J. D.; WIDOM, J. D. Database
Systems: The Complete Book, 2. a edição, Prentice Hall, 2009
RAMAKRISHNAN, R.; GEHRKE, J. Sistemas de Gerenciamento de
Banco de Dados, tradução da 3.a edição, São Paulo, McGraw-Hill,
2008.
TEOREY, T.; LIGHTSTONE, S.; NADEAU, T. Projeto e Modelagem de
Bancos de Dados, Editora Campus, Rio de Janeiro, 2007.

95
Algoritmos e Estruturas de Dados 2
Bibliografia Básica
FEOFILOFF, P. Algoritmos em Linguagem C. Editora
Campus/Elsevier, 2009.
SZWARCFITER, J. L.; Markenzon, L. Estruturas de Dados e seus
Algoritmos. 2ª edição, LTC, 1994.
TENENBAUM, A. M.; LANGSAM, Y.; AUGENSTEIN, M. Estruturas de
Dados Usando C, São Paulo, Makron Books, 1995.

Bibliografia Complementar
CORMEN, T. H. et al., Algoritmos: Teoria e Prática. 2ª edição, Rio de
Janeiro: Editora Campus, 2002.
SALVETTI, D. D. e BARBOSA, L. M., Algoritmos, Makron Books, São
Paulo, 1998.
SEDGEWICK, R. Algorithms in C++ (Parts 1-4), 3rd edition,
Addison-Wesley, 1998.
ZIVIANI, N. Projeto de Algoritmos com implementação em Pascal e C.
3ª edição, São Paulo: Editora Thomson, 2010.
ZIVIANI, N. Projeto de Algoritmos com implementação em Java e
C++. São Paulo: Editora Thomson, 2006.

Probabilidade e Estatística A
Bibliografia Básica
MAGALHÃES, M. N. Noções de Probabilidade e Estatística. São Paulo:
EDUSP, 7.a ed., 2010.
MEYER, P. L. Probabilidade: Aplicações à Estatística. Rio de Janeiro:
LTC, 1969.
WALPOLE, R. E.; MYERS, R. H.; MYERS, S. L.; YE, K. Probabilidade e
Estatística para Engenharia e Ciências. São Paulo: Pearson, 8.a ed.,
2009.

96
Bibliografia Complementar
BUSSAB, W. O.; MORETTIN, P. A. Estatística Básica. 6.a ed. São Paulo:
Saraiva, 2010.
DANTAS, C. A. B. Probabilidade: um Curso Introdutório. 3.a ed. São
Paulo: EDUSP, 2008.
MORETTIN, L. G. Estatística básica: probabilidade e inferência. São
Paulo: Prentice Hall, 2010.
ROSS, S. Probabilidade. Um Curso Moderno com Aplicações. 8.a ed.
Porto Alegre: Bookman, 2010.
TRIOLA, M. F. Introdução à Estatística. 10. ed. Rio de Janeiro: LTC,
2008.

Pensamento Analítico de Dados

Bibliografia básica
PROVOST, F.,; FAWCETT, T. Data Science para negócios. Tradução de
Marina Boscatto, ALTA BOOKS, 2016.
FINCH, V., Data Analytics For Beginners: Your Ultimate Guide To
Learn And Master, Data Analysis - Get Your Business Intelligence
Right And Accelerate Growth, 2017.
SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence e Análise
de Dados para Gestão do Negócio. Bookman Editora, 2019.

Bibliografia complementar
SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence, Analytics,
and Data Science: A Managerial Perspective, 4th Ed., Pearson, 2018.
THOMPSON, J.; SHAWN R. Analytics: How to Win with Intelligence.
Technics Publications, 2017.
ARMSTRONG, P. Dominando as tecnologias disruptivas: aprenda a
compreender, avaliar e tomar melhores decisões sobre qualquer
tecnologia que possa impactar o seu negócio. Tradução de Afonso
Celso da Cunha Serra. Autêntica Business, 2019.
SIEGEL, E. Predictive analytics: The power to predict who will click,
buy, lie, or die. John Wiley & Sons, 2013.

97
 ALBON, C. Machine Learning with Python Cookbook: Practical
Solutions from Preprocessing to Deep Learning. " O'Reilly Media,
Inc.", 2018.

Arquitetura de Computadores
Bibliografia Básica
BRYANT, R.; O'RALLARON, D. Computer Systems: A Programmer's
Perspective, 2nd Edition, Addison Wesley, 2010.
STALLINGS, W. Arquitetura e Organização de Computadores, 5a.
Edição, Prentice-Hall, 2002.
TANENBAUM, A. Organização Estruturada de Computadores, Editora
LTC, 2006.

Bibliografia Complementar
HENNESSY, J. L.; PATTERSON, D. A. Computer Architecture: A
Quantitative Approach, 4 th Edition, Morgan Kaufmann, 2007.
MONTEIRO, M. A. Introdução à Organização de Computadores. 4ª.
Edição. Editora LTC, Rio de Janeiro, 2001. ISBN: 8521612915.
PATTERSON, D. A.; HENNESSY, J. L. Computer Organization and
Design: The Hardware/Soware Interface, 3rd edition, Morgan
Kaufmann, 2007.
STALLINGS, W. Computer Organization and Architecture: Designing
for Performance. 10th Edition. Prentice-Hall, Inc., Upper Saddle River,
NJ, USA. 2010.
WEBER, R. F. Fundamentos de Arquiteturas de Computadores, 2.a
Edição, Editora Sagra-Luzzatto, 2001.

Álgebra Linear
Bibliografia Básica
BOLDRINI, J. L. et al. Álgebra linear. 3 ed. São Paulo: Harbra, 1996.
KOLMAN, B.; HILL, D. R. Introdução a álgebra linear: com aplicações.
Rio de Janeiro. 8 ed. LTC, 2006.
LIPSCHUTZ, S. Álgebra linear. 4 ed. São Paulo: Makron Books, 2011.
98
 CALLIOLI, C. A.; DOMINGUES, H. H.; COSTA, R. C. F. Álgebra linear
e aplicações. 6 ed. São Paulo: Atual, 1990.

Bibliografia Complementar
APOSTOL, T. Linear Algebra: A First Course with Applications to
Dierential Equations, 1st ed. Wiley-Interscience, 1997.
HOFFMAN, K.; KUNZE, R. Álgebra Linear. Polígono, São Paulo, 1971.
HOWARD, A.; RORRES, C. Álgebra Linear com Aplicações, 8.a ed.
Bookman, Porto Alegre, Brasil, 2001.
LIMA, E. L. Álgebra linear. 6 ed. Coleção Matemática Universitária.
Rio de Janeiro: IMPA, 2003.
SHOKRANIAN, S. Introdução à álgebra linear. Rio de Janeiro: Ciência
Moderna, 2009.
SILVA, V. V. Álgebra linear. Goiânia: CEGRAF, 1992.
STRANG, G. Introduction to linear algebra. 5 ed. Wellescley:
Cambridge Press, 2016.

Mineração de Dados
Bibliografia básica
AMARAL, F. Aprenda mineração de dados: teoria e prática. Vol. 1. Alta
Books Editora, 2016.
GOLDSCHMIDT, R.; PASSOS, E. Data mining: um guia prático. Gulf
Professional Publishing, 2005.
FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F.
Inteligência Articial: Uma Abordagem de Aprendizado de Máquina,
Ed. LTC, 2011.

Bibliografia complementar
HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques,
3rd. Edition, Morgan Kaufmann Publishers, 2011.
WITTEN, I. H.; FRANK, E.; HALL, M. A. Data Mining: Practical
Machine Learning Tools and Techniques, 3rd. Edition, Morgan
Kaufmann Publishers, 2011.
TAN, P.-N.; STEINBACH M.; KARPATNE,A.; KUMA, V. Introduction
to Data Mining, 2nd Ed., Pearson, 2018.
99
 DEAN, J. Big Data, Data Mining, and Machine Learning: Value
Creation for Business Leaders and Practitioners, John Wiley & Sons,
2014.
SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence, Analytics,
and Data Science: A Managerial Perspective, 4th Ed., Pearson, 2018.

Aprendizado de Máquina Supervisionado

Bibliografia básica
GÉRON, A. Hands-on machine learning with Scikit-Learn and
TensorFlow: concepts, tools, and techniques to build intelligent
systems. O'Reilly Media, Inc., 2017.
RASCHKA, S. Python machine learning. Packt Publishing Ltd, 2015.
BISHOP, C. M. Pattern recognition and machine learning. Springer
Science+ Business Media, 2006.

Bibliografia complementar
SHARMA, N. Xgboost. the Extreme Gradient Boosting for Mining
Applications. Grin Verlag, 2018.
PROVOST, F.; FAWCETT, T. Data Science para negócios. Tradução de
Marina Boscatto, 2016.
ALBON, C. Machine Learning with Python Cookbook: Practical
Solutions from Preprocessing to Deep Learning. O'Reilly Media, Inc.,
2018.
RUSSELL, S.; NORVIG, P. Articial Intelligence: A Modern Approach
(3rd ed.). Prentice Hall Press, Upper Saddle River, NJ, 2010.
LECUN, Y. Generalization and network design strategies.
Connectionism in perspective. Vol. 19. Amsterdam: Elsevier, 1989.

Processamento Digital de Sinais e Imagens

Bibliografia básica
GONZALEZ, R.C.; WOODS, R.E. Digital Image Processing, Prentice
Hall, 2008
MARQUES FILHO, O.; VIEIRA NETO, H. Processamento Digital de
Imagens, Rio de Janeiro: Brasport, 1999.
100
 UNPINGCO, J. Python for Signal Processing. Springer International
Pu, 2016.

Bibliografia complementar
ALCAIN, A. Fundamentos do Processamento de Sinais de Voz e
Imagem. Interciência, 2011.
SOARES, R. V., GALLETI, L. S. Captura e Tratamento de Imagens.
Senai - SP, 2017.
DINIZ, P. S. R.; DA SILVA, E. A. B.; NETTO, S. L. Processamento
Digital de Sinais-: Projeto e Análise de Sistemas. Bookman Editora,
2014.
DA COSTA, C. Processamento de Sinais para engenheiros: Teoria e
prática. Editora Bonecker, 2018.
OPPENHEIM, A. V.; SCHAFER, R. W. Processamento em tempo
discreto de sinais. 2012.

Redes de Computadores
Bibliografia Básica
KUROSE, J. F.; ROSS, K. Redes de Computadores e a Internet. 6. Ed.,
Pearson Education, 2013
LAUDON, K. C.; LAUDON, J. P. Sistemas de Informação Gerenciais. 9.
Ed., São Paulo: Pearson Education, 2013.
TANENBAUM, A. S. Computer Networks, 4. Ed., Prentice Hall,
2003.Alegre, 2009.

Bibliografia Complementar
LEA, P. Internet of Things for Architects: Architecting IoT solutions by
implementing sensors, communication infrastructure, edge
computing, analytics, and security. Packt Publishing Ltd, 2018.
SINCLAIR, B.; DA SERRA, A. C. C. IoT: Como Usar a Internet Das
Coisas Para Alavancar Seus Negócios. Autêntica Business, 2018.
DAHLMAN, E.; PARKVALL, S.; SKOLD, J. 5G NR: The next generation
wireless access technology. Academic Press, 2018.

101
 PENTTINEN, J. TJ. 5G Explained: Security and Deployment of
Advanced Mobile Communications. Wiley, 2019.
BRANCO, K. R. L. C. Redes de computadores: Da teoria à prática com
Netkit.GEN LTC, 2014.

Heurísticas e Modelagem Multiobjetivo

Bibliografia básica
STUART, R.; PETER, N. Articial Intelligence: A Modern Approach.
3rd Ed. Prentice Hall Press, Upper Saddle River, NJ, 2010.
LINDEN, R. Algoritmos Genéticos. Ciência Moderna, 2012.
KOPEC, D. Problemas Clássicos de Ciência da Computação com
Python. Novatec Editora, 2019.

Bibliografia complementar
ROTHLAUF, F. Design of Modern Heuristics: Principles and
Application, 1st Ed. Springer Publishing Company, Incorporated, 2011.
GOLDBARG, E. Otimização combinatória e meta-heurísticas:
Algoritmos e Aplicações, GEN LTC., 2015.
MICHALEWICZ, Z.; FOGEL, D. B. How to solve it: modern heuristics.
Springer Science & Business Media, 2013.
KUMAR, K.; ZINDANI, D.; DAVIM, J. P. Optimizing Engineering
Problems through Heuristic Techniques, 2019.
BLUM, C.; RAIDL, G. R. Hybrid Metaheuristics: Powerful Tools for
Optimization. Springer, 2016.

Redes Neurais Profundas

Bibliografia básica
BENGIO, Y.; GOODFELLOW, I.; COURVILLE;A. Deep learning. Vol. 1.
MIT press, 2017.
HASSABALLAH, M. Deep Learning in Computer Vision: Principles
and Applications. CRC Press, 2020.
SCHMIDHUBER, J. Deep learning in neural networks: An overview.
Neural networks 61 (2015): 85-117.

102
Bibliografia complementar
LECUN, Y. Generalization and network design strategies.
Connectionism in perspective. Vol. 19. Amsterdam: Elsevier, 1989.
KRIZHEVSKY, A.; SUTSKEVER, I.; HINTON, G. E. Imagenet
classication with deep convolutional neural networks. Advances in
neural information processing systems. 2012.
STEVENS, E.; ANTIGA, L. Deep Learning with Pytorch. Manning
Publications, 2020.
PLANCHE, B.; ANDRES, E. Hands-On Computer Vision with
TensorFlow 2: Leverage deep learning to create powerful image
processing apps with TensorFlow 2.0 and Keras. Packt Publishing,
2019.
GALEONE, P.; Hands-On Neural Networks with TensorFlow 2.0:
Understand TensorFlow, from static graph to eager execution, and
design neural networks. Packt Publishing, 2019.

Visão Computacional
Bibliografia básica
SZELISKI, R. Computer Vision: Algorithms and Applications,
Springer, 2011.
Davies, E. R. Computer Vision: Principles, Algorithms, Applications,
Learning, 5th Edition, Royal Holloway, University of London, United
Kingdom, 2017.
DUDA, R. O.; HART, P.E.; STORK, D.G. Pattern Classication, 2nd
Edition, Wiley-Interscience, 2000.

Bibliografia complementar
HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in
Computer Vision, 2nd Ed., Cambridge University Press, 2004.
BENGIO, Y.; GOODFELLOW, I.; COURVILLE, A. Deep learning. Vol.
1. MIT press, 2017.
HASSABALLAH, M. Deep Learning in Computer Vision: Principles
and Applications. CRC Press, 2020.

103
 SZELISKI, R. Computer Vision: Algorithms and Applications,
Springer, 2011.
DAVIES, E. R. Computer Vision: Principles, Algorithms, Applications,
Learning, 5th Edition, Royal Holloway, University of London, United
Kingdom, 2017.

Computação de Alto Desempenho

Bibliografia básica
STERLING, T.; ANDERSON, M.; BRODOWICZ, M. High
performance computing: modern systems and practices. Morgan
Kaufmann, 2017.
KIRK, D. B.; WEN-MEI, W. H. Programming massively parallel
processors: a hands-on approach. Morgan kaufmann, 2016.
TUOMANEN, B. Hands-On GPU Programming with Python and
CUDA: Explore high-performance parallel computing with CUDA.
Packt Publishing, 2018.

Bibliografia complementar
MATLOFF, N. Parallel Computing for Data Science: With Examples in
R, C++ and CUDA. Chapman and Hall/CRC, 2015.
LESKOVEC, J.; et al. Mining of Massive Datasets. Cambridge
University Press, 2020.
TAKEFUJI, Y. GPU parallel computing for machine learning in
Python: how to build a parallel computer.
VAIDYA, B. Hands-On GPU-Accelerated Computer Vision with
OpenCV and CUDA: Eective techniques for processing complex
image data in real time using GPUs. Packt Publishing Ltd, 2018.
D'HOLLANDER, E. H.; DONGARRA, J. J.; FOSTER, I. T. eds.
Transition of HPC towards exascale computing. Vol. 24. IOS Press,
2013.

104
Internet das Coisas
Bibliografia básica
DE OLIVEIRA, S. Internet das Coisas com ESP8266, Arduino e
Raspberry Pi. Novatec Editora, 2017.
JUNIOR, S. L. S. Internet das Coisas - Fundamentos e Aplicações em
Arduino e NodeMCU. Editora Érica, 2018.
SINCLAIR, B.; DA SERRA, A. C. C. IoT: Como Usar a Internet Das
Coisas Para Alavancar Seus Negócios. Autêntica Business, 2018.

Bibliografia complementar
JAVED, A. Criando projetos com Arduino para a Internet das Coisas:
Experimentos com aplicações do mundo real – Um guia para o
entusiasta de Arduino ávido por aprender, Novatec Editora, 2018.
LEA, P. Internet of Things for Architects: Architecting IoT solutions by
implementing sensors, communication infrastructure, edge
computing, analytics, and security. Packt Publishing Ltd, 2018.
KUROSE, J.F.; ROSS, K. Redes de Computadores e a Internet, 6a.
edição. Pearson Education, 2013.
STALLINGS, W.; Case, T. Redes e Sistemas de Comunicação de Dados,
2a. edição, Elsevier, 2018.
MINTEER, A. Analytics for the Internet of Things (IoT): Intelligent
analytics for your intelligent devices, Packt Publishing, 2017.

Processamento de Linguagem Natural

Bibliografia básica
LANE, H.; et al. Natural Language Processing in Action:
Understanding, analyzing, and generating text with Python, Manning
Publications, 2019.
BOKKA, K. R.; HORA, S.; JAIN, T.; WAMBUGU, M. Deep Learning for
Natural Language Processing: Solve your natural language processing
problems with smart deep neural networks. Packt Publishing, 2019.
105
 EISENSTEIN, J. Introduction to Natural Language Processing
(Adaptive Computation and Machine Learning series). The MIT
PRESS, 2019.

Bibliografia complementar
GANEGEDARA, T. Natural Language Processing with TensorFlow:
Teach language to machines using Python's deep learning library.
Packt Publishing, 2018.
GOLDBERG, Y. Neural Network Methods in Natural Language
Processing (Synthesis Lectures on Human Language Technologies).
Morgan & Claypool Publishers, 2017.
GÉRON, A. Hands-on machine learning with Scikit-Learn and
TensorFlow: concepts, tools, and techniques to build intelligent
systems. " O'Reilly Media, Inc.", 2017.
STEVENS, E.; ANTIGA, L. Deep Learning with Pytorch. Manning
Publications, 2020.
PLANCHE, B.; ANDRES, E. Hands-On Computer Vision with
TensorFlow 2: Leverage deep learning to create powerful image
processing apps with TensorFlow 2.0 and Keras. Packt Publishing,
2019.

Aprendizado de Máquina Não Supervisionado

Bibliografia básica
JOHNSTON, B.; JONES, A.; KRUGER, C. Applied Unsupervised
Learning with Python: Discover hidden patterns and relationships in
unstructured data with Python. Packt Publishing, 2019.
PATEL, A. A. Hands-On Unsupervised Learning Using Python.
O’Reylli Media, 2019.
FOSTER, D. Generative deep learning: teaching machines to paint,
write, compose, and play. O'Reilly Media, 2019.

Bibliografia complementar
BONACCORSO, G. Hands-on unsupervised learning with Python:
implement machine learning and deep learning models using
Scikit-Learn, TensorFlow, and more, 2019.
106
 STEVENS, E. ANTIGA, L. Deep Learning with Pytorch. Manning
Publications, 2020.
PLANCHE, B.; ANDRES, E. Hands-On Computer Vision with
TensorFlow 2: Leverage deep learning to create powerful image
processing apps with TensorFlow 2.0 and Keras. Packt Publishing,
2019.
GALEONE, P. Hands-On Neural Networks with TensorFlow 2.0:
Understand TensorFlow, from static graph to eager execution, and
design neural networks. Packt Publishing, 2019.
BISHOP, C. M. Pattern recognition and machine learning. Springer
Science+ Business Media, 2006.

Aprendizado de Máquina por Reforço

Bibliografia básica
SIGAUD, O.; BUFFET, E.; eds. Markov decision processes in articial
intelligence. John Wiley & Sons, 2013.
BEYSOLOW II, T. Applied Reinforcement Learning with Python:
With OpenAI Gym, Tensorow, and Keras. Apress, 2019.
LAPAN, M. Deep Reinforcement Learning Hands-On: Apply modern
RL methods, with deep Q-networks, value iteration, policy gradients,
TRPO, AlphaGo Zero and more. Packt Publishing Ltd, 2018.

Bibliografia complementar
SAITO, S.; WENZHUO, Y.; SHANMUGAMANI, R. Python
Reinforcement Learning Projects: Eight hands-on projects exploring
reinforcement learning algorithms using TensorFlow. Packt Publishing
Ltd, 2018.
SUTTON, R. S.; BARTO, A. G. Reinforcement learning: An
introduction, 2011
SEWAK, M. Deep Reinforcement Learning: Frontiers of Articial
Intelligence. Springer, 2019.
WEIGEL, V. B. Deep learning for a digital age: Technology's untapped
potential to enrich higher education. Jossey-Bass, 989 Market Street,
San Francisco, CA 94103-1741, 2002.

107
 LANHAM, M. Hands-On Deep Learning for Games: Leverage the
power of neural networks and reinforcement learning to build
intelligent games. Packt Publishing, 2019.

Processamento Dados Massivos

Bibliografia básica
LESKOVEC, J.; et al. Mining of Massive Datasets. Cambridge
University Press, 2020.
STERLING, T.; ANDERSON, M.; BRODOWICZ, M. High
performance computing: modern systems and practices. Morgan
Kaufmann, 2017.
ROBINSON, I.; WEBBER, J.; EIFREM, E. Graph databases: new
opportunities for connected data. " O'Reilly Media, Inc.", 2015.

Bibliografia complementar
VAIDYA, B. Hands-On GPU-Accelerated Computer Vision with
OpenCV and CUDA: Eective techniques for processing complex
image data in real time using GPUs. Packt Publishing Ltd, 2018.
TAKEFUJI, Y.. GPU parallel computing for machine learning in
Python: how to build a parallel computer, 2017.
BENGFORT, B.; KIM, J. Data analytics with Hadoop: an introduction
for data scientists. O'Reilly Media, Inc., 2016.
BAHGA, A.; MADISETTI, V. Big data science & analytics: A hands-on
approach. VPT, 2016.
NEEDHAM, M.; HODLER, A. E. Graph Algorithms: Practical
Examples in Apache Spark and Neo4j. O'Reilly Media, 2019.

Percepção e Ação Robótica

Bibliografia básica
THRUN, S.; BURGARD, W.; FOX, D. Probabilistic robotics. MIT press,
2005.

108
 CHOSET, H. M.; et al. Principles of robot motion: theory, algorithms,
and implementation. MIT press, 2005.
SZELISKI, R. "Computer Vision: Algorithms and Applications",
Springer, 2011.

Bibliografia complementar
HARTLEY, R.; ZISSERMAN, A. Multiple View Geometry in Computer
Vision, 2nd Ed., Cambridge University Press, 2004.
BENGIO, Y.; GOODFELLOW, I.; COURVILLE, A. Deep learning. Vol.
1. MIT press, 2017.
HASSABALLAH, M. Deep Learning in Computer Vision: Principles
and Applications. CRC Press, 2020.
SZELISKI, R. Computer Vision: Algorithms and Applications,
Springer, 2011.
DAVIES, E.R. Computer Vision: Principles, Algorithms, Applications,
Learning, 5th Ed., Royal Holloway, University of London, United
Kingdom, 2017.

Apoio à Tomada de Decisão

Bibliografia básica
SIEGEL, E. Predictive analytics: The power to predict who will click,
buy, lie, or die. John Wiley & Sons, 2013.
SHARDA, R.; DELEN, D.; TURBAN, E. Business Intelligence, Analytics,
and Data Science: A Managerial Perspective, 4th Ed., Pearson, 2018.
PROVOST, F.; FAWCETT, T. Data Science For Business: What You
Need To Know About Data Mining And Data-Analytic Thinking,
O'Reilly, 2013.

Bibliografia complementar
KIMBALL,R.; ROSS, M. The Data Warehouse Toolkit: The Denitive
Guide, 3rd Ed., Wiley Publishing, 2013.
MÜLLER, A. C.; GUIDO, S. Introduction to Machine Learning with
Python: A Guide for Data Scientists, O'Reilly, 2017.
ARMSTRONG, P. Serra, Afonso Celso Cunha. Dominando as
tecnologias disruptivas: aprenda a compreender, avaliar e tomar
109
 melhores decisões sobre qualquer tecnologia que possa impactar o seu
negócio. Autêntica Business, 2019.
TAN, P.-N.; STEINBACH M.; KARPATNE,A.; KUMA, V. Introduction
to Data Mining, 2nd Ed., Pearson, 2018.
DEAN, J. Big Data, Data Mining, and Machine Learning: Value
Creation for Business Leaders and Practitioners, John Wiley & Sons,
2014.

Processamento de Áudio e Voz

Bibliografia básica
KAMATH, U. L.; WHITAKER, J. Deep learning for NLP and speech
recognition. Springer Nature, 2019.
DONG, Y.; DENG, Y. Automatic speech recognition. Springer London
Limited, 2016.
MORISE, M.; YOKOMORI, F.; OZAWA, K. WORLD: a vocoder-based
high-quality speech synthesis system for real-time applications. IEICE
Transactions on Information and Systems 99.7 (2016): 1877-1884.

Bibliografia complementar
CAMASTRA, F.; VINCIARELLI, A. Machine learning for audio, image
and video analysis: theory and applications. Springer, 2015.
STEVENS, E.; Antiga, L. Deep Learning with Pytorch. Manning
Publications, 2020.
GALEONE, P. Hands-On Neural Networks with TensorFlow 2.0:
Understand TensorFlow, from static graph to eager execution, and
design neural networks. Packt Publishing, 2019.
BOKKA, K. R.; HORA, S.; JAIN, T.; WAMBUGU, M. Deep Learning for
Natural Language Processing: Solve your natural language processing
problems with smart deep neural networks. Packt Publishing, 2019.
EISENSTEIN, J. Introduction to Natural Language Processing
(Adaptive Computation and Machine Learning series). The MIT Press,
2019.

110
Pesquisa e Inovação
Bibliografia básica
GIL, A. C. Como elaborar projetos de pesquisa. São Paulo, v. 5, n. 61, p.
16-17, 2002.
VOLPATO, G. Guia Prático para Redação Cientíca. Best Writing,
2015.
WOHLIN, C.; et al. Experimentation in Soware Engineering.
Springer, 2012.

Bibliografia complementar
PMI. Um Guia do Conhecimento em Gerenciamento de Projetos
(Guia PMBOK). Quinta edição. Project Management Institute, Inc.
Pennsylvania, EUA, 2013.
TIGRE, P. Gestão da Inovação: A Economia da Tecnologia no Brasil -
2a Ed. Rio de Janeiro: Campus, 2014.
TIDD, J.; BESSANT, J. Gestão da Inovação: Integrando Tecnologia,
Mercado e Mudança Organizacional - 5a ed. Rio de Janeiro: Artmed,
2015.
DE BES, F. T.; KOTLER, P. A bíblia da inovação. São Paulo: Leya, 2011.
CHESBROUGH, H. Open innovation: The New Imperative for
Creating and Proting from Technology. Havard Business School
Press, Boston, MA, 2003.

Residência em Inteligência Artificial

Bibliografia básica
ECKROTH, J. AI Blueprints: How to build and deploy AI business
projects. Packt Publishing, 2018.
MARR, B. Data strategy: how to prot from a world of big data,
analytics and the internet of things. Kogan Page Publishers, 2017.
DANNER, G. E. The Executive's How-To Guide to Automation:
Mastering AI and Algorithm-Driven Business. Springer, 2018.

111
Bibliografia complementar
MARR, B. Articial Intelligence in Practice: How 50 Successful
Companies Used AI and Machine Learning to Solve Problems. Wiley,
2019.
THOMPSON, J.; SHAWN R. Analytics: How to Win with Intelligence.
Technics Publications, 2017.
FINCH, V., Data Analytics For Beginners: Your Ultimate Guide To
Learn And Master, Data Analysis - Get Your Business Intelligence
Right And Accelerate Growth, 2017.
FERRARI, R. Empreendedorismo para computação: criando negócios
de tecnologia. Elsevier, 2009.

RIES, E. The lean startup: How today's entrepreneurs use continuous

innovation to create radically successful businesses. Crown Books,
2011.

A.2 - Disciplinas optativas

Computação Móvel e Ubíqua

Bibliografia básica
GREENFIELD, A. Everyware: The Dawning Age of Ubiquitous
Computing. 1. ed., New Riders Publishing, 2006.
KRUMM, J. Ubiquitous Computing Fundamentals. 1. ed., Chapman &
Hall/CRC, 2009.
NEIL, T. Padrões de Design para Aplicativos Móveis. ’ , 2012. ISBN:
978-85- 7522-319-2.

Bibliografia complementar
APPLE. Apple Developer (https://developer.apple.com), acessado em
Junho de 2016.
GARDNER, D.; GRIBSBY, J. Head First Mobile Web. O’ Reilly. 2011.
GOOGLE. Android Developers (https://developer.android.com/),
acessado em Junho de 2016.
GUBBI, J.; BUYYA, R.; MARUSIC, S.; PALANISWAMI, M. 2013.
Internet of Things (IoT): A vision, architectural elements, and future

112
 directions. Future Gener. Comput. Syst. 29, 7 (September 2013),
1645-1660.
WEISER, M. The computer for the 21st century. SIGMOBILE Mob.
Comput. Commun. Rev.3, 3 ( July 1999), 3-11.

Desenvolvimento de Sistemas para Web

Bibliografia básica
LAUDON, K. C; LAUDON, J. P. Sistemas de informa : administrando a
empresa digital. 9. e : Pearson Prentice-Hall, 2010.
MATTOS, A. C. M. Sistemas de informação: uma visão executiva. 2.
ed., São Paulo: Saraiva, 2010.
PRESSMAN, R. S. Soware engineering: a practitioner's approach, 7.
ed., McGraw- Hill, 2010.

Bibliografia complementar
BATISTA, E. O. : o uso consciente da tecnologia para o gerenciamento.
1. ed., São Paulo: Saraiva, 2006.
Soware Engineering Body of Knowledge (SWEBOK), Version 3.0,
IEEE Computer Society, 2014. Disponível on-line em:
<http://www.computer.org/web/swebok/v3>.
ELMASRI, R.; NAVATHE, S. B. Sistemas de Banco de Dados, 6. ed.,
Pearson - Addison Wesley, 2011.
TIDWELL, J. Designing interfaces Beijing, Sebastopol, CA: O'Reilly,
2006.
BAI, Y., Practical Database Programming with Java, Wiley-IEEE Press,
2011. Disponível on-line:
<http://ieeexplore.ieee.org/xpl/bkabstractplus.jsp?bkn=5988888>.

Engenharia de Software
Bibliografia básica
PRESSMAN, R.; w ’ 8. ed., McGraw-Hill, 2014.
SOMMERVILLE, I. Soware Engineering, Pearson, 2015.
WAZLAWICK, R. S. Engenharia de soware: teoria e prática. Campus,
2013.
113
Bibliografia complementar
ISO/IEC/IEEE 24765, Systems and soware engineering - Vocabulary,
2010, Disponível em:
http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5733835.
MAGELA, R. Engenharia de soware aplicada. Alta Books, 2006.
MPS.BR. Melhoria de Processos do Soware Brasileiro. Disponível
em: http://www.soex.br/mpsbr/, último acesso Abril/2014.
Soware Engineering Body of Knowledge (SWEBOK), V3, IEEE,
Disponível em:
http://www.iso.org/iso/catalogue_detail.htm?csnumber=50518.
Soware Engineering Competency Model (SWECOM), IEEE.
Disponível em: https://www.computer.org/web/peb/swecom.

Interação Humano-Computador
Bibliografia básica
DIX, A.; FINLAY, J. E.; ABOWD, G. D.; BEALE, R. Human-Computer
Interaction, 3. ed., Prentice-Hall, Inc., Upper Saddle River, NJ, USA,
2003.
ROGERS, Y.; SHARP, H.; PREECE, J. Design de Interação - Além da
Interação Homem-computador. 3. ed., Porto Alegre: Bookman, 2013.
TIDWELL, J. Designing Interfaces: Patterns for Eective Interaction
Design. 2. ed., O’Reilly, 2011.

Bibliografia complementar
BARBOSA, S. D. J.; SILVA, B. S. Interação Humano-Computador. 1.
ed., Elsevier Editora, 2010.
JACKO, J. A. The human-computer interaction handbook:
fundamentals, evolving technologies, and emerging applications. CRC
Press, 2012.
LAZAR, J.; FENG, J. H.; HOCHHEISER, H. Research Methods in
Human-Computer Interaction. Wiley, 2009.
MACKENZIE, I. S. Human-computer Interaction: An Empirical
Research Perspective. Morgan Kaufmann, 2013. ISBN: 978-0-1
2-405865-1

114
 SCOTT, B.; NEIL, T. Designing Web Interfaces: Principles and
Patterns for Rich Interactions. 1. ed., O'Reilly Media, 2009.

Introdução à Língua Brasileira de Sinais

Bibliografia Básica
BRASIL. Ministério da Educação. Instituto Nacional de Educação de
Surdos. Curso básico de LIBRAS. Manaus: CD+, 2007. 1 DVD, color.
(Educação de surdos, n. 6).
GESSER, A. LIBRAS? Que língua é essa? Crenças e preconceitos em
torno da língua de sinais e da realidade surda. São Paulo: Parábola
Editorial, 2009.
SKLIAR, Carlos (Org.). A surdez: um olhar sobre as diferenças. 6. ed.
Porto Alegre: Mediação, 2012.

Bibliografia Complementar
CAPOVILLA, F. C.; RAPHAEL, W. D. (Ed.). Enciclopédia da Língua de
Sinais Brasileira. v. 1 e 2. São Paulo: EDUSP, 2004
FELIPE, T.; MONTEIRO, M. S. LIBRAS em contexto. Curso Básico.
Brasília: Ministério da Educação e do Desporto/Secretaria de
Educação Especial, 2001.
PIMENTA, N.; QUADROS, R. M. Curso de LIBRAS 1 – Iniciante. 3 ed.
rev. e atualizada. Porto Alegre: Editora Pallotti, 2008.
SACKS, Oliver. Vendo Vozes: uma viagem ao mundo dos surdos.
Tradução Laura Motta. São Paulo: Editora Cia das Letras, 1999.
THOMA, Adriana da Silva; LOPES, Maura Corcini (Coautor). A
invenção da surdez: cultura, alteridade, identidade e diferenca no
campo da educação. Santa Cruz do Sul, RS: EDUNISC, 2005. 232 p.
Inclui bibliograa. ISBN 8575780794 (Broch.).

Jogos Digitais
Bibliografia básica
MARTINHO, C.; SANTOS, P.; PRADA, R. Design e Desenvolvimento
de Jogos; 1. ed.; Lisboa: FCA - Editora de Informática, 2014.
115
 SCHELL, J. The Art of Game Design: A book of lenses. Nova Iorque:
CRC Press, 2008.
SCHUYTEMA. P. Design de Games - Uma Abordagem Prática. 1. ed.
Cengage CTP, 2008.

Bibliografia complementar
LIMA, A. Design de personagens para games Next-Gen. Rio de Janeiro:
Ed. Ciência Moderna, 2011.
FEIJÓ, B.; CLUA, E.; SILVA, F. Introdução à Ciência da Computação
com Jogos. Rio de Janeiro: Ed. Campus, 2009.
PERUCIA, A. S.; BERTHÊM, A.; BERTSCHINGER, G.; CASTRO, R. R.
Desenvolvimento de Jogos Eletrônicos – Teoria e Prática. 2. ed.; São
Paulo: Ed. Novatec; 2007.
VASCONCELOS, J. B.; RIBEIRO, N. M. Tecnologias de Programação
de Jogos. 1. ed.; Lisboa: FCA - Editora de Informática, 2013.
HUIZINGA, J. Homo ludens – O jogo como elemento da cultura. São
Paulo: Perspectiva, 1996.

Pesquisa Operacional
Bibliografia básica
BREGALDA, P. F.; OLIVEIRA, A. A. F.; BORNSTEIN, C. T. Introdução
à programação linear. 3. ed. Rio de Janeiro: Campus, 1983.
GOLBARG, M.; LUNA, H. Otimização combinatória e programação
linear. 2. ed. Campus, 2005.
TAHA, H. Pesquisa operacional. 8. ed. Prentice Hall, 2008.

Bibliografia complementar
BAZARAA M. S.; JARVIS, J. J.; SHERALI, H. D. Linear programming
and network Flows. Wiley, 2009.
HILLIER, F. S.; LIEBERMAN, G. J. Introdução à pesquisa operacional.
9.a edição. Amgh Editora, 2013.
PARLAR, M. Interactive operations research with Maple: methods and
models. Birkhauser, 2000.

116
 SILVA, E. M. et al. Pesquisa Operacional: programação linear,
simulação. 3.a ed. Atlas, 1998.
WINSTON, W. L. Operations research applications and algorithms. 3rd
ed. Duxbury Press, 1997.

Segurança e Auditoria de Sistemas

Bibliografia básica
IMONIANA, JOSHUA O. Auditoria de Sistemas de Informaç aõ .2.ed.
São Paulo: Atlas, 2008.
SCHMIDT, P. Fundamentos de Auditoria de Sistemas. São Paulo:
Atlas, 2006.
STALLINGS, W. Criptograa e seguranç a de redes : princípios e
práticas. 4. ed. Prentice Hal, 2008.

Bibliografia complementar
LYRA, M. R. Segurança e Auditoria em Sistemas de Informação. 1.
ed.Ciência Moderna. 2009.
KIZZA, J. Computer Network Security. New York: Springer, 2005.
KUROSE, J. F. ;ROSS, K. Redes de Computadores e a Internet. 6. ed.
Pearson Education, 2013.
TCU. Manual de Auditoria Operacional do TCU. TCU, 2010.
TIPTO, H. F. Information Security Management Handbook. Auebach
Publications, 2004.

Sistemas de Apoio à Decisão

Bibliografia básica
BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support
Systems 1, Basic Themes, Springer, 2008. Disponível on-line em:
<http://www.springer.com/br/book/9783540487128>.
BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support
Systems 2, Variations, Springer, 2008. Disponível on-line em:
<http://www.springer.com/gp/book/9783540487159>.

117
 SHIMIZU, T. Decisão nas Organizações: Introdução aos problemas de
decisão encontrados nas organizações e nos sistemas de apoio à
decisão. 3. ed., São Paulo: Atlas, 2010.

Bibliografia complementar
ANDRADE, E. L. Introdução à pesquisa operacional: métodos e
modelos para a análise de decisões. 4a. Ed. Rio de Janeiro, LTC. 2009.
AVERWEG, U. R. F. Decision-making support systems: Theory &
practice. 1. ed. Cape Town, South Africa. 2012 Disponível on-line em:
<http://bookboon.com/en/decision-making-support-systems-ebook>
LACHTERMACHER, G. Pesquisa operacional na tomada de decisão 4.
ed. Rio de Janeiro: Elsevier, 2009.
LAUDON, K. C. Sistemas de informação gerenciais 9.ed. São Paulo:
Pearson Prentice Hall, 2010.
FÁVERO, L. P. et al. Análise de dados: Modelagem multivariada para
tomada de decisões. Rio de janeiro: Campus, 2009.

Sistemas Distribuídos
Bibliografia básica
ANDREWS, G. R. Foundations of multithreaded, parallel, and
distributed programming. Addison-Wesley, 2000.
COULOURIS, G. F. et al. Distributed Systems: Concepts and Design,
5th edition, Addison-Wesley, 2012.
KUROSE, J. F.; ROSS, K. Redes de Computadores e a Internet, 6.a
edição. Pearson Education, 2013.

Bibliografia complementar
BIRMAN, K. P. Reliable distributed systems: technologies, web
services, and applications, New York: Springer, 2005. ISBN
0387215093.
CLARK, M. et al. Web services business strategies and architectures.
Expert Press, 2002. ISBN 1904284132.
JOSUTTIS, N. M. SOA in practice. O'Reilly, 2007. ISBN 0596529554.
LYNCH, N. A Distributed algorithms. M. Kaufmann, 1997.

118
 TANENBAUM, A.S.; STEEN, M. van. Distributed Systems: Principles
and Paradigms. Prentice Hall, 2nd Edition, 2006.

Sistemas Inteligentes de Apoio à Decisão

Bibliografia básica
BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support
Systems 1, Basic Themes, Springer, 2008. Disponível on-line em:
<http://www.springer.com/br/book/9783540487128>.
BURSTEIN, F.; HOLSAPPLE, C. W. Handbook on Decision Support
Systems 2, Variations, Springer, 2008. Disponível on-line em:
<http://www.springer.com/gp/book/9783540487159>.
POOLE, D.; MACKWORTH, A. Articial Intelligence: Foundations of
Computational Agents. Cambridge University Press, 2010. Disponível
on-line em: <http://artint.info/html/ArtInt.html>

Bibliografia complementar
DAUMÉ III, H. A Course in-line em:
<http://ciml.info/dl/v0_8/ciml-v0_8-all.pdf>
GAO, S. Bio-Inspired Computational Algorithms and Their
Applications. INTECH, 2012. Disponível on-line em:
<http://www.intechopen.com/books/bio-inspired-
computational-algorithms-and-their-applications>
GRIGORIE, L. Fuzzy Controllers, Theory and Applications, INTECH,
2011. Disponível on-line em:
<http://www.intechopen.com/books/tools_in_articial_intelligence>
LUKE, S. Essentials of Metaheuristics. Lulu, 2nd Ed. 2013. Disponível
on-line em:
<http://www.sau.ac.in/~vivek/ai_new/Luke_Essentials.pdf>
NILSSON, N. J. The Quest for Articial Intelligence a History of Ideas
and Achievements. Cambridge University Press, 2010. Disponível
on-line em: <http://ai.stanford.edu/~nilsson/QAI/qai.pdf>
RUSSEL, S.; NORVIG, R. Inteligência Articial. 2 Ed., Rio de Janeiro:
Campus, 2004.

119
 VIZUREANU, P. Tools in Articial Intelligence, INTECH, 2008.
Disponível on-line em:
<http://www.intechopen.com/books/tools_in_articial_intelligence>
VIZUREANU, P. Expert Systems, INTECH, 2010. Disponível on-line
em: <http://www.intechopen.com/books/expert-systems>

Sistemas Multiagentes
Bibliografia básica
FIPA. Foundation for Intelligent Physical Agents, Standard
Specications, 2002. Available on-line on
<http://www.pa.org/repository/standardspecs.html>
RUSSELL, S.; NORVIG, P. Inteligência Articial, 3. ed., Ed. Campus,
2013.
WOOLDRIDGE, M. An Introduction to MultiAgent Systems, 2. ed.,
John Wiley and Sons, 2009.

Bibliografia complementar
BELLIFEMINE, F. et al. Jade 4.0 Programmer's Guide, 2010.
Disponível on-line em
<http://jade.tilab.com/documentation/tutorials-guides/>
BORDINI, R. H.; HÜBNER, J. Documentation for Jason, a Java-besed
interpreter for an extended version of AgentSpeak. 2006. Disponível
on-line em <http://jason.sourceforge.net/wp/documents/>
CAIRE, G. Jade 3.7 Programming for Beginners, 2009. Disponível
on-line em <http://jade.tilab.com/documentation/tutorials-guides/>
SHOHAM, Y.; LEYTON-BROWN, K. Multiagent Systems -
Algorithmic, Game- Theoretic, and Logical Foundations. Cambridge
University Press 2008. Disponível on-line em
<http://www.masfoundations.org/mas.pdf>
VIDAL, J.M. Fundamentals of Multiagent Systems Using NetLogo,
2010. Disponível on-line em
<http://multiagent.com/p/fundamentals-of-multiagent-systems.html>

120
Sistemas Operacionais
Bibliografia Básica
OLIVEIRA, R. S.; CARISSIMI, A. S.; TOSCANI, S. S. Sistemas
Operacionais. 3.a edição. Porto Alegre: Instituto de Informática da
UFRGS: Editora Sagra Luzzatto, 2004.
SILBERSCHATZ, A. Fundamentos de Sistemas Operacionais, 8.a
edição, LTC, 2011.
TANEMBAUM, A. S. Sistemas Operacionais Modernos. 3.a edição. São
Paulo: Editora Prentice Hall, 2010. ISBN 9788576052371.

Bibliografia Complementar
DEITEL, H. Sistemas Operacionais, Prentice Hall, 2005.
MACHADO, F. B. Arquitetura de Sistemas Operacionais. 2.a edição.
LTC, 1997.
NEMETH E.; SNYDER, G.; HEIN, T. R. Unix system administration
handbook. Pearson Prentice Hall, 1997. ISBN 9788576051121.
O'GORMAN, J. Operating Systems with Linux. Palgrave, 2001.
SHAY, W. Sistemas Operacionais, Makron Books, 1996.

Visualização de Informações
Bibliografia básica
CARD, S. K.; MACKINLAY, J. D.; SHNEIDERMAN, B. Readings in
Information Visualization: Using Vision to Think, Morgan Kaufmann
Series in Interactive Technologies, Academic Press, 1999.
SPENCE, R. Information Visualization, ACM Press, 2000.
WARE, C. Information Visualization: Perception for Design, 2. ed.,
Morgan Kaufmann Interactive Technologies Series, 2004.

Bibliografia complementar
DO NASCIMENTO, H. A. D.; FERREIRA, C. B. R. Visualização de
Informações - Uma Abordagem Prática. No Livro Texto da XXIV
Jornada de Atualização em Informática. São Leopoldo-RS, 2005.

121
 DI BATTISTA, G.; EADES, P.; TAMASSIA, R.; TOLLIS, I. Graph
Drawing: Algorithms for the Visualization of Graphs, Prentice Hall,
1999.
TUFTE, E. R. Visual Explanations: Images and Quantities, Evidence
and Narrative. Graphics Press, 1997.
TUFTE, E. R. Envisioning Information. Graphics Press, 1990.
TUFTE, E. R. The Visual Display of Quantitative Information, 2. ed.,
Graphics Press, 2001.

Web Semântica
Bibliografia básica
BREITMAN, K. Web Semântica: a Internet do Futuro. Editora LTC,
2005.
DUCHARME, B. Learning SPARQL. 1. ed., O ́Reilly, 2011.
HEBELER, J.; DEAN, M.; FISHER, M. Semantic Web Programming. 2.
ed., John Wiley & Sons, 2009.

Bibliografia complementar
ALLEMANG, D.; HENDLER, J. Semantic Web for the Working
Ontologist - Eective Modelling in RDFS and OWL. 1. ed., Morgan
Kaufmann, 2008
BERNERS-LEE, T.; HENDLER, J.; LASSILA, O. The Semantic Web.
Scientic American, 284(5), 28-37, 2001.
BERNERS-LEE, T. Qual é o futuro da web, segundo o seu criador?.
Disponível em
computerworld.uol.com.br/mercado/2007/07/09/idgnoticia.2007-07-
09.9970442373/, 2007.
FENSEL, D.; HENDLER, J.; LIEBERMAN, H.; WAHLSTER, W.
Spinning the Semantic Web. 1. ed.,The MIT Press, 2005.
SEGARAN, T.; EVANS, C.; TAYLOR, J. Programming the Semantic
Web. 1. ed., O'Reilly Media, 2009.

122