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.

4º Semestre

	Seg	Ter	Qua	Qui	Sex
8:00-10:00	MA044	F 315	MA044	F 315
10:00-12:00	ME310	ME501/MS515	ME310	ME501/MS515

14:00-16:00		MS428		MS428	MS003
16:00-18:00	MS328	MS317	MS328	MS317

19:00-21:00			MS902
21:00-23:00			MS902

6º Semestre

	Seg	Ter	Qua	Qui	Sex
8:00-10:00	MS650	MS680/MS905	MS650	MS680/MS905	MS650
10:00-12:00	MS629	MS515	MS629	MS515

14:00-16:00	ME322/MS911	MS612/MS614 MS960	ME322	MS612/MS614 MS960	ME322/MS003/MS911
16:00-18:00		MS317/MS520 MS529/MS820		MS317/MS520 MS529/MS820

19:00-21:00			MS902
21:00-23:00			MS902

O aluno deve escolher 10 créditos em disciplinas eletivas.

8º Semestre

	Seg	Ter	Qua	Qui	Sex
8:00-10:00		MS680/MS905		MS680/MS905	MS993
10:00-12:00	ME501	MS515	ME501	MS515	MS993

14:00-16:00	ME322/MS911	MS612/MS614 MS960	ME322	MS612/MS614 MS960	ME322/MS003/MS911
16:00-18:00		MS317/MS520 MS529/MS820		MS317/MS520 MS529/MS820

19:00-21:00			MS902
21:00-23:00			MS902

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.