A pós-graduação Análise de Dados e Big Data forma profissionais que desempenham papel vital nas organizações atualmente, atuando de forma direta na coleta, no processamento, na análise e no armazenamento de dados de diferentes fontes. Neste contexto, o Curso de Especialização em Análise de Dados e Big Data está organizado em quatro principais eixos de formação. O primeiro explora soluções de Banco de Dados Relacionais e NoSQL, capacitando o estudante quanto ao projeto de soluções e alta disponibilidade, com aulas práticas focadas em Banco de Dados Oracle, Cassandra e MongoDB. O segundo eixo tem como foco a gestão, extração de dados, e analytics, com o desenvolvimento e uso de frameworks, técnicas de integração e ferramentas, como, por exemplo, com aulas práticas utilizando o Spark, Hadoop e PowerBI para business analytics, entre outras. O terceiro eixo do explora o uso de tecnologias de virtualização, de containers e de plataformas de computação em nuvem para o deployment de aplicações, além de abordar questões legais de segurança e privacidade, importante num momento que o profissional de dados precisa lidar com a aplicação da LGPD. Por fim, o quarto eixo (novo!) traz disciplinas ligadas à ciência de dados e à inteligência artificial, onde são estudadas as principais técnicas destas áreas para aplicação em soluções de análise de dados. Aulas práticas são viabilizadas pelo fornecimento de máquinas virtuais e uso de plataformas online, conforme a necessidade de cada módulo.
O que é Big Data?
O mundo dos dados está em constante mudança e evolução. Isso, por sua vez, criou uma dimensão completamente nova de crescimento e desafios para empresas em todo o mundo.
Ao analisar e armazenar dados com precisão, atualizá-los e acompanhá-los de forma eficiente e regular, as empresas podem enfrentar seus desafios e aproveitar o imenso potencial que este isto oferece.
O termo “big data” não se refere apenas aos dados em si, também se refere aos desafios, capacidades e competências associadas ao armazenamento e análise de grandes conjuntos de dados para dar suporte a um nível de tomada de decisão mais preciso e oportuno.
Formar profissionais com perfil exigido pelo mercado para atuar nestas áreas é o foco da pós-graduação em análise de dados e big data da PUCPR.
Quem pode fazer pós em Big Data?
Profissionais de tecnologia da informação e comunicação, engenharia e áreas afins que tenham interesse em se especializar no desenvolvimento de projetos relacionados com Big Data e Análise de Dados em ambientes corporativos.
Por que fazer uma especialização em Análise de Dados e Big Data na PUCPR?
Na PUCPR, a Especialização em Análise de Dados e Big Data forma profissionais conscientes da relevância da análise de dados e big data na sociedade, capazes de atuar de forma autônoma em corporações, na implantação e uso de sistemas e metodologias relacionadas, bem como realizar a integração no campo das tecnologias da informação e comunicação.
O analista de big data analisa a operacionalidade dos sistemas com foco na gestão e armazenamento da informação, bem como realiza a análise dos dados e explora a descoberta de padrões e relacionamentos para a tomada de decisão de forma assertiva.
Público-Alvo
Profissionais de tecnologia da informação e comunicação, engenharia e áreas afins que tenham interesse em se especializar no desenvolvimento de projetos relacionados com Análise de Dados e Big Data em ambientes corporativos. Destina-se tanto a recém-formados quanto a profissionais atuantes no mercado de trabalho, no início ou em fase de consolidação de suas carreiras, quando o curso irá proporcionar atualização de conhecimentos ou aquisição de novas habilidades e competências dentro de sua área de atuação.
Professores Inspiradores
Na PUCPR você aprende com os melhores professores do mercado. Profissionais que poderão compor o corpo docente na abertura da turma.
Possui graduação em Engenharia Elétrica pela Universidade Federal de Itajubá, mestrado em Informática pela Pontifícia Universidade Católica do Paraná, doutorado em Informática pela Pontifícia Universidade Católica do Paraná e doutorado em Informática e Telecomunicações - Université de Pierre et Marie Curie, Paris VI, França(co-tutela PUCPR). Atualmente é professor e pesquisador na Pontifícia Universidade Católica do Paraná, onde também ocupa a coordenação dos cursos de graduação de Eng. Elétrica, Eletrônica e Biomédica. É professor e coordenador da Academia Cisco-PUCPR e dos cursos de Especialização de Redes e Telecomunicações, CyberSecurity, BigData, Gestão de Dados e Analytics e Cloud Computing da IT Academy-PUCPR. Atuou como pesquisador e coordenador de diversos Projetos de P&D na área de Sistemas Celulares, IoT e Computação Nuvem na parceria tecnológica entre a PUCPR e a Nokia Networks no Tecnoparque da PUCPR. Tem experiência na área de Sistemas de Comunicação e Ciência da Computação, atuando principalmente nos seguintes temas: protocolos, computação em nuvem, virtualização, redes de computadores, segurança de redes e sistemas celulares
ricardo.nabhen@pucpr.br
André Gustavo Hochuli
Doutorado
Doutor em Ciência da Computação pela Universidade Federal do Paraná (PPGINF/UFPR), Mestre e Bacharel em Ciência da Computação pela Pontifícia Universidade Católica do Paraná (PPGIA/PUC/PR). Também possui especialização em Gestão de Projetos. Tem como linha de pesquisa as áreas de Visão Computacional, Reconhecimento de Padrões e Inteligência Artificial. Possui experiência acadêmica lecionando disciplinas correlatas a áreas de computação e agrega experiência na indústria como analista de desenvolvimento em soluções baseadas em visão computacional e processamento de imagens, participando em projetos nas fases de elaboração, desenvolvimento e implantação em campo. Atualmente é Professor Adjunto no PPGIA/PUCPR.
Profissional de Tecnologia da Informação com mais de 25 anos de experiência, atuando desde 1994. Sou professor de pós-graduação na PUC-PR, com foco em virtualização (VMware) e orquestração de contêineres (Docker e Kubernetes). Ao longo da minha carreira, desenvolvi e implementei diversas soluções em áreas como segurança da informação, redes, virtualização, armazenamento e data centers. Possuo experiência em desenvolvimento de software, usando PHP, Java e Flutter. Atualmente, como Analista de TI no TRT9, sou supervisor da Seção de Capacidade e Disponibilidade, que é responsável pelas áreas de Virtualização, Storage, Redes SAN, Servidores e Datacenter .
Dr. Eduardo Kugler Viegas é um professor Adjunto da Pontíficia Universidade Católica do Paraná (PUCPR) desde 2018, e atualmente possui mais de uma década de experiência na academia e na indústria. Atua principalmente na aplicação de Aprendizagem de Máquina, Sistemas Distribuídos e Segurança da Informação para sistemas computacionais. Durante sua carreira, Eduardo liderou pesquisas aplicadas de alto impacto que foram implementadas em produtos de destaque, como smartphones Samsung, elevando significativamente a segurança de dispositivos com recursos limitados. Seu trabalho resultou em mais de 7 patentes submetidas, além de ter contribuído com mais de 60 trabalhos de pesquisa em conferências e periódicos de renome. Suas publicações podem ser encontradas em periódicos como IEEE Transactions on Computers, IEEE Transactions on Network and Service Management, IEEE Transactions on Network and Science Engineering, Elsevier Computer Networks, Elsevier Computers Security, Elsevier Future Generation Computer Systems, dentre outros periódicos de alto impacto científico.
- Coordenador e Professor da Apple Developer Academy da PUCPR.
- Apple Distinguished Educator, classe de 2019.
- Consultor em Arquitetura e Desenvolvimento de Software.
- Desenvolvedor na área de Blockchain / Smart Contracts, utilizando principalmente as linguagens: Solidity e Rust.
- Pesquisador na área de ensino de programação e Desenvolvimento de Software. Utiliza especificamente a metodologia de aprendizagem ativa Challenge Based Learning (CBL) que ajudou a adaptar e desenvolver para este fim.
- Doutor pela PUCPR em Engenharia de Software.
Graduado em Ciências da Computação pela Universidade Católica de Brasília (1995). Graduado em Direito pelo Centro Universitário de Brasília (2002). Pós-graduado em Direito Eletrônico e Tecnologia da Informação pelo Centro Universitário da Grande Dourados (2008). Mestre em Direito Processual Penal pela Pontifícia Universidade Católica de São Paulo (2008). Doutor em Direito Penal Econômico pela Pontifícia Universidade Católica do Paraná (2020). Professor concursado de Direito Penal, Direito Processual Penal e Direito e Informática. Delegado de Polícia Federal atualmente lotado na Superintendência da Polícia Federal no Paraná, sediada em Curitiba/PR, onde exerce as funções de Chefe do Núcleo de Disciplina e Corregedor Regional substituto. Exerceu as funções de Chefia das seguintes Delegacias especializadas da Polícia Federal: Repressão ao Tráfico Internacional de Armas, Repressão aos Crimes contra o Meio Ambiente e o Patrimônio Histórico Cultural da União e de Defesa Institucional. Desde 2002 tem atuado e se especializado na investigação de crimes de alta tecnologia praticados pela rede mundial de computadores.
Possui especialização em Redes de Computadores pela UTFPR, MBA em Gestão de TI pela UTFPR e Mestrando em Computação Aplicada na UTFPR. 20 anos de experiência atuando nas áreas de telecomunicações e segurança da informação, especialista gestão de tecnologia para grandes eventos, como Copa do Mundo e, recentemente, atuando em ambientes Cloud Amazon AWS e liderança de times DevOps.
Mestre em Engenharia Elétrica pela Universidade Federal do Paraná (2017), graduado em Engenharia Industrial Elétrica pela Universidade Tecnológica Federal do Paraná (1997). Atualmente é professor engenharia do Centro de Ensino Superior de Maringá e professor da Fundação de Apoio à Educ., Pesq. e Desenvol.Cient. e Tec. da UTFPR. Tem ampla experiência na área de Engenharia Elétrica, com ênfase em Telecomunicações.
Doutor em Desenvolvimento Econômico pela Universidade Federal do Paraná (PPGDE-UFPR). Concluiu a graduação em Economia pela Universidade Federal do Paraná (2008) e o mestrado em Economia pela Universidade Federal do Rio Grande do Sul (2012). Atualmente, tem-se dedicado à pesquisa empírica em Economia do Setor Público e em Finanças Públicas Regionais. Parte dos seus estudos está focada no impacto da alocação dos gastos públicos e das decisões políticas sobre o crescimento e bem-estar social. Trabalha com Mineração de Dados, Análise Multivariada e Redes Neurais Artificiais (RNAs) aplicadas às demais áreas da Economia. É professor assistente do curso de Economia da Pontifícia Universidade Católica do Paraná (PUC-PR).
Mestre em Computação Aplicada pela Universidade Tecnológica do Paraná (UTFPR), Especialização em Gestão do Trabalho Pedagógico pela Faculdade Internacional de Curitiba (FACINTER), Especialização em Habilidades Gerencias pela Pontifícia Universidade Católica do Paraná (PUCPR), MBA em Marketing pela Fundação Getúlio Vargas (FGV), MBA em Gestão Empresarial Intregado através de Sistemas ERP pela Pontifícia Universidade Católica do Paraná (PUCPR), Bacharel em Ciência da Computação pela Pontifícia Universidade Católica do Paraná (PUCPR), Técnico em Processamento de Dados pelo Colégio Estadual do Paraná (CEP). Atualmente é Professor convidado da pós-graduação com atuação na: Universidade Positivo (UP) nos cursos de Data Science e Big Data, MBA em Business Intelligence e Business Analytics, MBA em Marketing Digital com ênfase em Neuromarketing; PUCPR no curso de Gestão de Banco de dados e Big Data; Faculdades da Industria Sistema FIEP no curso de Data Science para IOT. Coautor do livro: Sistemas de Informações Gerenciais. Foi professor de Graduação da Facinter, entre 2003 e 2012, das disciplinas: Business Intelligence; Modelagem de Banco de Dados; Banco de Dados; Administração de Sistemas de Informação; Gestão da Tecnologia de Dados; Engenharia de Software; Algoritmos; Orientador de TCC e Estágio Supervisionado. Na Celepar, desde 2002, hoje é coordenador de atendimento a clientes. Durante o período, entre 2010 e 2018, foi responsável pela implantação de projetos de Business Intelligence (BI) e analytics na área de Segurança Pública.
manoel.leal@pucpr.br
Marcelo Rosano Dallagassa
Mestrado
Mestrado e Doutorado em Tecnologia em Saúde pela PUCPR pela PUCPR, com a proposta concepção de um modelo para avaliação da assistência de atenção à saúde. Desde 2002 atua como Especialista na UNIMED PARANÁ, participando nos projetos; Data Warehouse, Portal BI Unimed PR e Informações Estratégicas. Tem experiência na área de Ciência da Computação, com ênfase em Sistemas de Apoio a Decisão, atuando principalmente nos temas: Descoberta do Conhecimento em Base de Dados, Data Warehouse, Avaliação de Tecnologias em Saúde, RES - Registro Eletrônico de Saúde e Mineração de Dados. Atua também com Professor de Pós-graduação nas disciplinas Banco de Dados, Data Warehouse e Data Mining.
Atua como Gerente de Projetos há mais de 15 anos. Dentre suas participações em projetos, detacam: Planejamento de Risco do projeto de expansão da Refinaria de Araucária, Implantação do Escritório de Projetos do Mato Grosso, Implantação do Escritório de Projetos Estratégicos do Pará, Organização do Programa Pantanal para o Ministério do Meio Ambiente, Gerenciamento do Programa Arco Verde para o Ministério do Desenvolvimento Social, Implantação de Metodologia de Gerenciamento de Projetos no TRT4, Implantação de Gestão de Portfolio de Projetos para Colseguros (Colômbia) Implantação de Gestão de Portfólio de Projetos para Mapfre Seguros Brasil e Mapfre Seguros Argentina, implantação de gestão de processos corporativos para obtenção de eficiência e garantias jurídicas para PROCERGS.
É professor da disciplina de Gerenciamento de Projetos de MBAs da PUC-PR há mais de 10 anos.
Esta disciplina é destinada a compreender os impactos que a Lei Geral de Proteção de Dados (LGPD) traz para os processos de governança de TI. Nela, os estudantes conhecem os conceitos, implicações, regras, stakeholders e processos envolvidos na LGPD aplicados à TI. Ao final, os estudantes podem analisar os impactos da LGPD relacionados aos processos de governança de TI e de gerenciamento de serviços com base na legislação vigente.
Esse módulo terá o objetivo de apresentar a AWS como uma Plataforma como Serviço visando a criação, manutenção, escalabilidade e disponibilidade de serviços e sistemas. Serão abordados temas como: Diferenças, vantagens e desvantagens de ambiente em Cloud em comparativo com ambientes locais. Ambiente Computacional escalável. Redes, interligações, DNS e Load Balancers. CDN e distribuição de serviços. Armazenamento de conteúdo. Armazenamento de dados relacionais e não relacionais. Monitoramento de recursos e serviços. Serviços escaláveis e auto gerenciáveis.
Esta disciplina aborda fundamentos de banco de dados relacional e de sistemas gerenciadores de bancos de dados. Ao final da disciplina, os estudantes são capazes de desenvolver projetos envolvendo arquitetura de BD e gerenciar instâncias correspondentes.
Esta disciplina trata da estrutura do trabalho científico, bem como dos tipos e métodos de pesquisa. Ao final, o estudante desenvolve seu trabalho de conclusão de curso com base na temática definida pelo desafio de aplicação proposto.
Esta disciplina trata do processo de análise de dados como ferramenta para o suporte à tomada de decisões. Nela, os estudantes compreendem a arquitetura de Big Data e os processos de inteligência para identificação de tendências e padrões. Ao final, os estudantes são capazes de compreender as principais técnicas e etapas envolvidas nas análises e seus requisitos bem como gerar relatórios e criar dashboards inteligentes, por exemplo, utilizando a ferramenta PowerBI, para a tomada de decisões no âmbito corporativo e de negócios.
Esta disciplina aborda o processo de descoberta do conhecimento para o suporte à tomada de decisões. Nela, os estudantes analisam frameworks de Big Data, processos e etapas associados à descoberta de conhecimento. Ao final, os estudantes são capazes de desenvolver projetos com base no uso de ferramentas aplicando técnicas e recursos de Big Data, como o Map-Reduce e o Spark, visando à construção de um sistema inteligente para a tomada de decisões.
A disciplina problematiza as questões fundamentais e os conceitos associados à gestão de dados no contexto organizacional. Nela, o estudante analisa a arquitetura de dados envolvida bem como a aplicação de modelos e frameworks para diagnóstico da governança. Ao final, os estudantes são capazes de solucionar os desafios e analisar as etapas para a implantação de processos orientados a dados.
Esta disciplina trata dos fundamentos de Programação Python. Ao final, o estudante é capaz de desenvolver projetos com a linguagem utilizando recursos básicos e de orientação a objetos.
Esta disciplina aborda assuntos relacionados às práticas e ferramentas da Gestão Ágil de Projetos. Serão discutidos conceitos sobre a origem da gestão, contexto ágil nas organizações, cultura e liderança ágil e os frameworks ágeis Scrum, Kanban e SAFe. Ao final da disciplina, o participante é capaz de analisar a adoção de um framework ágil de acordo com o contexto das organizações e, também, aplicar as práticas da agilidade na liderança e processos gerencias da organização.
Sistemas de Virtualização e Orquestração de Containers
Carga horária: 24h
Esta disciplina trata da virtualização de recursos e das arquiteturas de cloud computing. Ao final, os estudantes são capazes de desenvolver projetos em ambientes multi-tenant, envolvendo containers e orquestração de recursos.
O módulo de Ciência de Dados Modelagem Avançada tem como objetivo apresentar aos estudantes os conceitos e técnicas avançadas em Ciência de Dados, dando ênfase a aspectos de redução de dimensionalidade, análise de desbalanceamento de dados e comparação de modelos. Ao final da disciplina, os estudantes serão capazes de aplicar as técnicas aprendidas em grandes conjuntos de dados, auxiliando na tomada de decisão empresarial.
Fundamentos e Aplicações de Aprendizagem de Máquina
Carga horária: 24h
O módulo de Fundamentos e Aplicações de Aprendizagem de Máquina tem como objetivo introduzir os conceitos fundamentais da aprendizagem de máquina (machine learning ML), abrangendo suas principais abordagens, técnicas e aplicações. Os estudantes aprenderão sobre os principais tipos de aprendizagem - supervisionada e não supervisionada, além de desenvolver a capacidade de implementar modelos de ML e avaliar seu desempenho de maneira crítica. Além disso, o curso abordará como modelos de ML podem ser empregados na tomada de decisão e na escolha de estratégias eficazes em diversos contextos e indústrias.
Analisar os problemas éticos atuais, privilegiando controvérsias relacionadas às atividades profissionais. Ao final, os alunos serão capazes de tomar decisões responsáveis e sustentáveis, de acordo com princípios éticos.
Baixar Projeto do Curso
