UNIVERSIDADE PRESBITERIANA MACKENZIE Pró-Reitoria de Pesquisa e Pós-Graduação Coordenadoria Geral de Pós-Graduação Stricto Sensu PLANO DE ENSINO Unidade Universitária: Escola de Engenharia Programa de Pós-Graduação: Ciências e Aplicações Geoespaciais Curso: Mestrado Acadêmico Mestrado Profissional Disciplina Astroinformática II Professor(es): Prof. Dr. Luciano Silva (Prof. Colaborador) Observação: Carga horária: Créditos 48h 04 Doutorado Obrigatória Optativa Eletiva Ementa: Estudo e aplicação das principais técnicas e processos simulação e ajuste de parâmetros de modelos astronômicos e astrofísicos, tendo como base a linguagem de programação Python. Conteúdo Programático: Modelos abstratos, computacionais e operacionais. Simulação e ajustes de parâmetros de modelos unidimensionais. Simulação e ajuste de parâmetros de modelos bidimensionais. Simulação e ajuste de parâmetros de modelos tridimensionais. Noções de Aprendizado de Máquina para simulação e ajuste de parâmetros de modelos. Critério de Avaliação A avaliação da disciplina compreende dois instrumentos: ARTIGO: desenvolvimento de artigo de pesquisa individual (Pontuação de 0 a 10) SEMINÁRIO: Apresentação do artigo e discussão em grupo (Pontuação de 0 a 10) A nota final da disciplina(MF), para obtenção do conceito final, é calculada pela seguinte fórmula: = + Á 2 Segundo Regulamento Geral da Pós-Graduação Stricto Sensu, Art. 98: A – excelente: corresponde às notas no intervalo entre os graus 9 e 10; B – bom: corresponde às notas no intervalo entre os graus 8 e 8,9; C – regular: corresponde às notas no intervalo entre os graus 7 e 7,9; R – reprovado: corresponde às notas no intervalo entre os graus 0 e 6,9” Campus Higienópolis: Rua da Consolação, 896 – Edifício João Calvino - 8º andar Tel. (11) 2114-8143 www.mackenzie.br Consolação São Paulo - SP [email protected] CEP 01302-907 UNIVERSIDADE PRESBITERIANA MACKENZIE Pró-Reitoria de Pesquisa e Pós-Graduação Coordenadoria Geral de Pós-Graduação Stricto Sensu Bibliografia: BOSCHETTI, A., MASSARON, L. Python Data Science Fundamentals. New York: Pact Publishing, 2015. CARROLL, B.W., OSTLIE, D.A. An Introduction to Modern Astrophysics. New York: Pearson, 2006. GARRIDO, J.M. Introduction to Computational Models with Python. New York: Chapman & Hall, 2015. IVEZIC, Z., CONNOLLY, A.J., VANDERPLAS, J.T., GRAY, A. Statistics, Data Mining and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data. Princeton: Princeton University Press, 2014. KINDER, J.M., NELSON, P. A Student’s Guide for Physical Modeling. Princeton: Princeton University Press, 2015. LANDAU, R.H., PÁEZ, M.J., BORDEIANU, C.C. Computational Physics: Problem Solving with Python. 3.ed. New York: Wiley, 2015. RASCHKA, S. Python Machine Learning. New York: Pact Publishing, 2015. SMITH, C.A., CAMPBELL, S.W. A First Course in Differential Equations, Modeling and Simulation. New York: CRC Press, 2011. CRONOGRAMA (Preenchimento opcional) ENCONTRO TEMA(S) DA AULA 1ª SEMANA Modelos abstratos, computacionais e operacionais. 2ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 3 ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 4ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 5ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 6ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 7 ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 8ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 9ª SEMANA Simulação e ajustes de parâmetros de modelos unidimensionais. 10ª SEMANA Noções de Aprendizado de Máquina para simulação e ajuste de parâmetros de modelos. Noções de Aprendizado de Máquina para simulação e ajuste de parâmetros de modelos. Seminário de apresentação dos artigos individuais e discussões em grupo 11ª SEMANA 12ª SEMANA Campus Higienópolis: Rua da Consolação, 896 – Edifício João Calvino - 8º andar Tel. (11) 2114-8143 www.mackenzie.br Consolação São Paulo - SP [email protected] CEP 01302-907