prof. dr. jarley nóbrega jpn ... - slidesslides.jarley.com/bd/bd-00-programa.pdf · jarley...
TRANSCRIPT
Prof. Dr. Jarley Nóbrega – http://jarley.com
Agenda
Discentes
Docente
Objetivos da Disciplina
Plano de Ensino - Programa
Metodologia
Bibliografia
Avaliação da Disciplina
Discentes
Qual seu nome?
Já trabalha ou trabalhou
com computação?
Já programou?
Em qual linguagem?
Já fez outro curso em
computação?
Quais são as suas
expectativas no curso e na
disciplina?
Jarley Palmeira Nóbrega
Formação Acadêmica 1993: Bacharelado em Ciência da Computação – Universidade
Federal de Campina Grande (UFCG).
2002: Especialização em Sistemas de Informações e Redes - Universidade Federal da Paraíba (UFPB) “Desenvolvimento de Aplicações para Dispositivos Móveis utilizando Java 2
Micro Edition”
2008: Mestrado em Ciência da Computação – Centro de Informática/Universidade Federal de Pernambuco (Cin/UFPE). “An Integrated Cost Model for Product Line Engineering”
2015: Doutorado em Ciência da Computação – Centro de Informática/Universidade Federal de Pernambuco (Cin/UFPE). “A Sequential Learning Method with Kalman Filter and Extreme Learning
Machine for Regression and Time Series Forecasting Problems”
Jarley Palmeira Nóbrega
Atuação Profissional 1992 - 1996: Banco do Estado do Amazonas / Dataprev
1996 - 2001: Xerox do Brasil
2001 – 2002: Embratel
2002 - 2003: Grupo Vicunha
2004 – 2005: C.E.S.A.R.
2005 – 2009: Serpro
2009 – Atual: Ministério da Ciência, Tecnologia, Inovações e Comunicações (MCTIC) 2009 – 2017: Representação Regional do MCTIC no Nordeste (ReNE/MCTIC)
2017 – Atual: Centro de Tecnologias Estratégicas do Nordeste (CETENE/MCTIC)
Jarley Palmeira Nóbrega
Atuação Acadêmica 1996 - 1997: Universidade Estadual do Amazonas
2004 - 2010: Universidade Salgado de Oliveira (Universo)
2008 - 2009: Centro Universitário Maurício de Nassau (Uninassau)
2011 - Atual: Faculdade Nova Roma
Jarley Palmeira Nóbrega
Áreas de Interesse Inteligência artificial: Aprendizagem de máquina, redes
neurais/deep learning, extração de características;
Engenharia de software: Reuso de software, modelos de processos, frameworks de desenvolvimento, programação funcional;
Banco de dados: Datawarehouse, mineração de dados.
Banco de Dados 2017.1
Programa da Disciplina 2017.1
Introdução a Banco de Dados
Modelagem de Dados
Linguagem de Consulta
• Motivação • Conceitos Básicos • Propriedades • Modelo de Dados • Arquitetura de BD
Programa da Disciplina 2017.1
• Modelo de Entidades e Relacionamentos •Modelo Relacional • Regras de Integridade e Normalização • Projeto de BD Relacional
Introdução a Banco de Dados
Modelagem de Dados
Linguagem de Consulta
Programa da Disciplina 2017.1
• Álgebra Relacional • Introdução a SQL • JDBC
Introdução a Banco de Dados
Modelagem de Dados
Linguagem de Consulta
Requisitos para a Disciplina
Conjunto mínimo de conhecimentos necessários para o acompanhamento e aprendizado na disciplina
Lógica de programação
Estrutura de dados
Linguagem de Programação OO
(Java )
Bibliografia
ELMASRI, R., NAVATHE S. B., Sistema de Banco de Dados, Pearson Brasil. 2011.
DATE, C. J., Introdução a Sistemas de Bancos de Dados, 8ª edição, Editora Campus, 2004.
Bibliografia
HAY, David C., Princípios de Modelagem de Dados . Makron Books, 1999.
GEHRKE, J., RAMAKRISHNAN, R., Sistemas de Gerenciamento de Banco de Dados, Editora ArtMed, 3ª Edição, 2008
Bibliografia
Recursos na Web
Slides da disciplina http://slides.jarley.com
Recursos na Web
Envio de Trabalhos http://trabalho.jarley.com
Avaliações
Trabalhos
Válidos apenas se enviados pelo aplicativo na web
Valem 30% da P1
São utilizados para avaliar o comprometimento do aluno com a disciplina
Trabalhos copiados:
Da internet: nota zero
De colegas: nota dividida
Perdeu o trabalho? Converse com o professor
Avaliações
2 Provas Escritas: P1 e P2
Notas: 30% trabalhos + 70% prova escrita
Permitida a consulta de materiais impressos
O material impresso não pode ser compartilhado!
Não poderão ser utilizados notebooks, celulares ou outros equipamentos.
Conteúdo: toda a matéria lecionada até a penúltima aula antes da prova
Avaliações
P2: todo o assunto do semestre
Média: P1 * 0.4 + P2 * 0.6
Média > 7.0 => Aprovação por média
Média < 4.0 => Reprovação por média
Média > 4.0 e Média < 7.0 => Prova Substitutiva
Falta da P1 ou P2
2ª chamada de P1 (entrada na secretaria)
Não haverá 2a chamada para a PS
Aprovação na PS: nota >= 5.0
Sistemática das Aulas
100% das aulas em laboratório
08:00-11:30 (manhã) / 18:50 – 22:00 (noite)
Chamada ao final da aula
Frequência obrigatória (75%)
Ferramenta de controle de frequência
Somente o coordenador abona a falta
Celulares, comida, jogos, ...
Estatísticas da Disciplina
2012-2 a 2016.2
Alunos matriculados: 127
Aprovados: 87 (69%)
Reprovados: 27 (21%)
Desistências: 13 (10%)
Estatísticas da Disciplina 2012-2
Alunos matriculados: 10 Aprovados: 7 (70%) Reprovados: 3 (30%) Desistências: 0 (0%) Trabalhos: 5 (média de entrega: 4.1)
2013-2 Alunos matriculados: 28 Aprovados: 19 (68%) Reprovados: 8 (29%) Desistências: 1 (3%) Trabalhos: 5 (média de entrega: 3.9)
2014-1 Alunos matriculados: 13 Aprovados: 8 (62%) Reprovados: 2 (15%) Desistências: 3 (23%) Trabalhos: 5 (média de entrega: 2.4)
2014-2 Alunos matriculados: 26
Aprovados: 15 (58%)
Reprovados: 8 (31%)
Desistências: 3 (11%)
Trabalhos: 7 (média de entrega: 5.4)
2015-1 Alunos matriculados: 13
Aprovados: 8 (62%)
Reprovados: 2(15%)
Desistências: 3 (23%)
Trabalhos: 7 (média de entrega: 5.7)
2015-2 Alunos matriculados: 20
Aprovados: 18 (90%)
Reprovados: 0(0%)
Desistências: 2 (10%)
Trabalhos: 7 (média de entrega: 4.4)
Estatísticas da Disciplina
2016-1 Alunos matriculados: 4 Aprovados: 4 (100%) Reprovados: 0 (0%) Desistências: 0 (0%) Trabalhos: 7 (média de
entrega: 6.8)
2016-2 Alunos matriculados: 13 Aprovados: 8 (61,5%) Reprovados: 4 (30,7%) Desistências: 1 (7,8%) Trabalhos: 7 (média de
entrega: 5,0)