Para este semestre, 12 disciplinas eletivas estão sendo
oferecidas, sendo 8 regulares e 4 tópicos.
Além das listadas abaixo, há mais possibilidades de disciplinas
eletivas, oferecidas por outros departamentos do IMECC ou por outros
institutos e faculdades. Abaixo, listamos algumas das quais temos
ciência, mas recomendamos que se consulte o caderno de horário da
DAC e as coordenações de outros cursos.
A coordenação estimula que os alunos engagem-se em projetos de
estudo/pesquisa sob a orientação dos docentes da UNICAMP. Para
tanto, considere matricular-se nas disciplinas
de Projetos
Supervisionado I ou II.
O oferecimento de disciplinas eletivas está concentrado nas
terças e quinta-feiras com a intenção de facilitar a acomodação de
estágios
nas segundas, quartas e sextas-feiras.
Destacamos também
algumas disciplinas
do IC. Caso haja interesse em cursar uma disciplina do IC, é
necessário entrar em contato com a coordenação de graduação do IC
para solicitar a autorização de matrícula.
6º Semestre
O aluno deve escolher 10 créditos em disciplinas eletivas.
8º Semestre
O aluno deve escolher 18 créditos em disciplinas eletivas.
MS902 — Tópicos em Ciência de Dados Aplicada a Negócios
Esta disciplina de Tópicos irá abordar diferentes situações
presentes no dia a dia de um cientista de dados que atua no
mercado. O objetivo é preparar o aluno para aplicar os
conhecimentos de matemática em ambientes corporativos que demandam
não apenas conhecimento técnico, como também soft skills,
dentre os quais destacamos o mapeamento e gestão de processos,
metodologia ágil, gestão de pessoas e gestão de conflitos. Dentre
os hard skills lidaremos como a importação, manipulação e
controle de qualidade de dados, visualização e apresentação de
resultados e construção de modelos. Arboraremos as principais
ferramentas utilizadas na área de ciência de dados como VBA,
python e pandas, SQL, databricks, entre outras.
A disciplina terá 4 créditos e será organizada em encontros
semanais, entre 19:00 a 21:00, com a participação de profissionais
renomados e atuantes na área. Como prática, traremos casos reais
de aplicações de ciências de dados em empresas, relatadas por
profissionais. As duas horas semanais restantes serão utilizadas
nas execução de trabalhos práticos.
Pré-requisitos: MC102, CP ≥ 0,45.
MS905 — Laboratório de Computação Científica
O objetivo é ter um curso com ênfase prática para dar segurança
aos alunos no uso de sistemas avançados de programação. Dessa
forma, as aulas, quando em formato presencial, devem ser
ofereciadas preferencialmente em ambiente de laboratório para que
os alunos possam realizar pequenos exercícios ao longo da
discussão.
Ementa: Programação para aplicações científicas
baseadas em linguagens dinâmicas de alto desempenho, com
bibliotecas estáveis e de alta performance. Introdução a
conceitos como programação por arrays, paralelismo, linguagens de
modelagem, resolução de equações diferenciais serão introduzidas
com exemplos práticos em tópicos como análise de imagens,
dinâmica de particulas, modelagem climática, etc.
Programa da disciplina:
1) Introdução a uma linguagem dinâmica para computação de alto
desempenho, considerações sobre eficiência em programas de
computadores (num primeiro oferecimento a linguagem será Julia).
2) Funções matemáticas em linguagens de programação, diferenciação
automática, despacho múltiplo.
3) Programação por arrays (em um primeiro oferecimento com exemplos em
processamento de imagens).
4) Noções de programação dinâmica e programação com grafos.
5) Noções de programação paralela.
6) Aleatoriedade e simulação estocástica em computadores (em um
primeiro oferecimento com exemplos em dinâmica de partículas).
7) Resolução numérica de equações diferenciais através de pacotes
computacionais (em um primeiro oferecimento com exemplos em
modelagem climática).
Pré-requisitos: MA211, MA327 e MC102.
Bibliografia
- Bezanson, J.; Edelman, A.; Karpinski, S.; Shah, V. B. Julia:
A Fresh Approach to Numerical Computing. SIAM Rev. 2017, 59
(1), 65–98. DOI 10.1137/141000671.
- Balbaert, I. Julia 1.0 Programming: Dynamic and
high-performance programming to build fast scientific
applications, 2ªed., Packt Publishing, 2018.
- Manual da linguagem Julia.
- Introduction to computational thinking for real-world problems.
MS911 — Análise Numérica de Problemas Biológicos Elípticos-Parabólicos
Ementa: Problemas diferenciais elípticos e
parabólicos, Problemas acoplados. Equações de derivadas parciais
convectivas-difusivas. Conservação da massa, Energia do sistema.
Estudo de Estabilidade e Convergência de métodos numéricos as
diferenças finitas e aos elementos finitos. Análise numérica de
Problemas Elípticos-Parabólicos não lineares: Dissipação de droga
sólida num solvente, Proliferação de células em adenomas, Interação
de drogas dissipadas com as células malignas.
Critério de avaliação: Conceito (S ou I).
Pré-requisitos: (MA311 + MA327 + MS211) ou MS612.
Bibliografia
- D.J. Acheson, Elementary Fluid Mechanics, Oxford Applied Mathematics and Computing Science Series, 1990.
- Claes Johnson, Numerical solution of partial differential
equations by the finite element method, Cambridge University
Press, 1990.
- Randall J. LeVeque, Finite Difference Methods for Ordinary
and Partial Differential Equations - Steady State and Time
Dependent Problems, SIAM Press, 2007.
- J. A. Ferreira; R. Grigorieff. Supraconvergence and
supercloseness of a scheme for elliptic equations on nonuniform
grids. Numerical Functional Analysis and Optimization, 27,
539–564, 2006.
- J. A. Ferreira, M. Grassi, P. Oliveira, G. Romanazzi, Drug
Release from viscoelastic swelling polymeric platforms, SIAM
J. Appl. Math., 78, 3, pp. 1378–1401, 2018.
- I.N. Figueiredo, G. Romanazzi G., Leal C., Engquist B.,
Biomathematical model for simulating abnormal orifice patterns
in colonic crypts,Mathematical Biosciences, 315, 108221, 2019.
- I.M.M. van Leeuwen, H.,M. Byrne, O.E. Jensen, J. R. King,
Crypt dynamics and colorectal cancer: advances in mathematical
modelling, Cell Proliferation, 39, 157-181, 2006.
- C. M. Groh, et al. Mathematical and computational models of
drug transport in tumours, Journal of the Royal Society,
Interface 11, 94, 2014.
- W. Zhan, et al. Computational modelling of drug delivery to
solid tumour: Understanding the interplay between
chemotherapeutics and biological system for optimised delivery
systems, Advanced Drug Delivery Reviews 132, 81–103, 2018.
MS960 — Aprendizado de Máquinas: Aspectos Teóricos e Práticos
Esta disciplina, proposta pelo Prof. João Florindo, terá 4
crédito e será oferecida usando a sigla MS960 (Tópicos Especiais em
Processamento de Imagens).
Ementa: Definição e conceitos básicos de aprendizado de máquinas;
algoritmos básicos: regressão e classificação linear, vizinhos mais
próximos, árvores de decisão; métodos com kernel; SVM; ensembles e
florestas aleatórias; aprendizado semi-supervisionado e não
supervisionado; redes neurais e aprendizado profundo; tópicos do
estado-da-arte; aspectos práticos em Python; fundamentos
matemáticos: dimensão VC e PAC-learning.
Pré-requisitos: MA211, MA327 e MC102.