- Ementa:
- Fundamentos de Machine Learning e ciência de dados aplicada à Engenharia de Produção. Uso da plataforma KNIME Analytics Platform como ferramenta principal para aprendizagem prática em laboratório. Construção de workflows visuais para importação, integração, preparação, transformação, visualização e análise exploratória de dados. Aprendizagem supervisionada para classificação e regressão: árvores de decisão, k-NN, Naive Bayes, Random Forest, regressão linear e avaliação comparativa de modelos. Aprendizagem não supervisionada: agrupamento, redução de dimensionalidade, análise de componentes principais (PCA) e descoberta exploratória de padrões. Introdução à análise de imagens e dados não estruturados em ambientes sem código ou de baixo código, com ênfase em limitações metodológicas. Métricas de desempenho, validação cruzada, particionamento dos dados, matriz de confusão, acurácia, precisão, revocação, F1-score, AUC, MAE, RMSE e R². Interpretabilidade, documentação, reprodutibilidade, ética, viés algorítmico, privacidade e governança de dados. Desenvolvimento de projeto aplicado com documentação do workflow, análise crítica dos resultados e apresentação final.
- Bibliografia:
- BERTHOLD, M. R.; CEBRON, N.; DILL, F.; GABRIEL, T. R.; KÖTTER, T.; MEINL, T.; OHL, P.; THIEL, K.; WISWEDEL, B. KNIME: The Konstanz Information Miner: version 2.0 and beyond. SIGKDD Explorations Newsletter, New York, v. 11, n. 1, p. 26-31, 2009. doi: 10.1145/1656274.1656280.
- GÉRON, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. 3. ed. Sebastopol: O'Reilly Media, 2022.
- HALAWEH, M. Teaching Tip: AI and Machine Learning for Business and Information Systems Education Using KNIME. Journal of Information Systems Education, [s. l.], v. 36, n. 4, p. 352-366, 2025. doi: 10.62273/QOIR5976.
- KÜHL, N.; HIRT, R.; BAIER, L.; SCHMITZ, B.; SATZGER, G. How to Conduct Rigorous Supervised Machine Learning in Information Systems Research: The Supervised Machine Learning Report Card. Communications of the Association for Information Systems, [s. l.], v. 48, n. 1, p. 589-615, 2021. doi: 10.17705/1CAIS.04845.
- SUNDBERG, L.; HOLMSTRÖM, J. Teaching Tip: Using No-Code AI to Teach Machine Learning in Higher Education. Journal of Information Systems Education, [s. l.], v. 35, n. 1, p. 56-66, 2024. doi: 10.62273/CYPL2902.
- Bibliografia Complementar
- FILLBRUNN, A.; DIETZ, C.; PFEUFFER, J.; RAHN, R.; LANDRUM, G. A.; BERTHOLD, M. R. KNIME for reproducible cross-domain analysis of life science data. Journal of Biotechnology, Amsterdam, v. 261, p. 149-156, 2017. doi: 10.1016/j.jbiotec.2017.07.028.
- KNIME. KNIME Analytics Platform documentation. Zurique: KNIME, 2026. Disponível em: https://docs.knime.com/. Acesso em: 20 maio 2026.
- KNIME. KNIME Community Hub: workflows, components and examples for data science. Zurique: KNIME, 2026. Disponível em: https://hub.knime.com/. Acesso em: 20 maio 2026.
- KUHN, M.; JOHNSON, K. Applied Predictive Modeling. New York: Springer, 2013. doi: 10.1007/978-1-4614-6849-3.
- MÜLLER, A. C.; GUIDO, S. Introduction to Machine Learning with Python: a guide for data scientists. Sebastopol: O'Reilly Media, 2016.
- PROVOST, F.; FAWCETT, T. Data Science for Business: what you need to know about data mining and data-analytic thinking. Sebastopol: O'Reilly Media, 2013.
- VILLARROEL ORDENES, F.; SILIPO, R. Machine learning for marketing on the KNIME Hub: the development of a live repository for marketing applications. Journal of Business Research, Amsterdam, v. 137, p. 393-410, 2021. doi: 10.1016/j.jbusres.2021.08.036.
- WOO, M. The rise of no/low-code software development: no experience needed? Engineering, Amsterdam, v. 6, n. 9, p. 960-961, 2020. doi: 10.1016/j.eng.2020.07.007.