Filatro, Andrea
Data Science na educação : presencial, a distância e corporativa / por Andrea Filatro ; revisão técnica de Diógenes Justo. -- - São Paulo : Saraiva Educação, 2021. - 191 p. : il.
Introdução - Data Science 1.1 Data Science como ciência 1.2 Componentes do Data Science 1.3 Processo de Data Science 1.4 Data Science na educação CAPÍTULO 1 - BIG DATA 1.1 Tipos de dados 1.2 Estrutura dos dados 1.3 Origem dos dados 1.4 Governança e proteção de dados 1.5 Governança e proteção de dados na educação 1.6 Big Data na educação 1.6.1 Especificidades dos dados educacionais 1.6.2 Modelos de dados na educação 1.7 Design Instrucional Orientado a Dados 1.7.1 Processo de Design Instrucional Orientado a Dados 1.7.2 Modelo de referência para o Design Instrucional Orientado a Dados CAPÍTULO 2 - DATA MINING 2.1 Técnicas de Data Mining PRINCIPAIS TÉCNICAS DE DATA MINING 2.2 Educational Data Mining (EDM) 2.2.1 Processo de Mineração de Dados Educacionais 2.3 Knowledge Discovery in Databases (KDD) 2.3.1 Modelo DIKW: dos dados à sabedoria 2.4 Visualização de dados 2.5 Dashboards 2.5.1 Dashboards educacionais 2.6 Tomada de Decisão Orientada a Dados 2.6.1 Tomada de Decisão Educacional Orientada a Dados CAPÍTULO 3 - DATA ANALYTICS 3.1 Aplicações do Data Analytics 3.2 Data Analytics versus Data Mining 3.3 Text Analytics 3.4 Audio Analytics 3.5 Video Analytics 3.6 Social Media Analytics 3.7 loT Analytics 3.8 Learning Analytics (LA) 3.8.1 EDM versus LA 3.8.2 Processo de LA 3.8.3 Modelo de referência para o LA 3.8.3.1 Dados e ambientes no LA (O quê?) 3.8.3.2 Partes interessadas no LA (Quem?) 3.8.3.3 Objetivos do LA (Por quê?) 3.8.3.4 Métodos no LA (Como?) 3.8.4 Plataformas de LA 3.8.5 Padrões para LA 3.8.6 Learner Analytics 3.8.7 Academic Analytics CAPÍTULO 4 - INTELIGÊNCIA ARTIFICIAL (IA) 4.1 Tipos de IA 4.2 Áreas da IA 4.3 Processo de IA 4.4 IA versus Data Mining versus Data Analytics 4.5 Machine Learning (ML) 4.5.1 Como as máquinas aprendem? 4.5.1.1 Aprendizado supervisionado 4.5.1.2 Aprendizado não supervisionado 4.5.1.3 Aprendizado por reforço 4.6 Deep Learning (DL) 4.7 Sistemas de recomendação 4.7.1 Sistemas de recomendação educacional 4.8 Processamento de Linguagem Natural 4.8.1 Processamento de Linguagem Natural na educação 4.9 Visão computacional 4.10 Assistentes de Voz Inteligentes 4.11 Robótica 4.11.1 Robótica educacional 4.12 Chatbots 4.12.1 Chatbots na educação 4.13 IA na educação 4.14 Impacto da IA na educação 4.14.1 Sistemas de Tutoria Inteligente (ITS) CAPÍTULO 5 - EDUCAÇÃO INTELIGENTE 5.1 Aprendizagem inteligente 5.2 Ambientes de aprendizagem inteligentes 5.3 Design Instrucional Inteligente 5.4 Singularidade e inteligência humano-computacional Cases Perspectivas: novas fronteiras para o conhecimento e a aprendizagem Glossário Chave de tradução Chave de siglas Índice remissivo Referências
9786587958439
Educação
Ensino
Aprendizagem
Data Science na educação : presencial, a distância e corporativa / por Andrea Filatro ; revisão técnica de Diógenes Justo. -- - São Paulo : Saraiva Educação, 2021. - 191 p. : il.
Introdução - Data Science 1.1 Data Science como ciência 1.2 Componentes do Data Science 1.3 Processo de Data Science 1.4 Data Science na educação CAPÍTULO 1 - BIG DATA 1.1 Tipos de dados 1.2 Estrutura dos dados 1.3 Origem dos dados 1.4 Governança e proteção de dados 1.5 Governança e proteção de dados na educação 1.6 Big Data na educação 1.6.1 Especificidades dos dados educacionais 1.6.2 Modelos de dados na educação 1.7 Design Instrucional Orientado a Dados 1.7.1 Processo de Design Instrucional Orientado a Dados 1.7.2 Modelo de referência para o Design Instrucional Orientado a Dados CAPÍTULO 2 - DATA MINING 2.1 Técnicas de Data Mining PRINCIPAIS TÉCNICAS DE DATA MINING 2.2 Educational Data Mining (EDM) 2.2.1 Processo de Mineração de Dados Educacionais 2.3 Knowledge Discovery in Databases (KDD) 2.3.1 Modelo DIKW: dos dados à sabedoria 2.4 Visualização de dados 2.5 Dashboards 2.5.1 Dashboards educacionais 2.6 Tomada de Decisão Orientada a Dados 2.6.1 Tomada de Decisão Educacional Orientada a Dados CAPÍTULO 3 - DATA ANALYTICS 3.1 Aplicações do Data Analytics 3.2 Data Analytics versus Data Mining 3.3 Text Analytics 3.4 Audio Analytics 3.5 Video Analytics 3.6 Social Media Analytics 3.7 loT Analytics 3.8 Learning Analytics (LA) 3.8.1 EDM versus LA 3.8.2 Processo de LA 3.8.3 Modelo de referência para o LA 3.8.3.1 Dados e ambientes no LA (O quê?) 3.8.3.2 Partes interessadas no LA (Quem?) 3.8.3.3 Objetivos do LA (Por quê?) 3.8.3.4 Métodos no LA (Como?) 3.8.4 Plataformas de LA 3.8.5 Padrões para LA 3.8.6 Learner Analytics 3.8.7 Academic Analytics CAPÍTULO 4 - INTELIGÊNCIA ARTIFICIAL (IA) 4.1 Tipos de IA 4.2 Áreas da IA 4.3 Processo de IA 4.4 IA versus Data Mining versus Data Analytics 4.5 Machine Learning (ML) 4.5.1 Como as máquinas aprendem? 4.5.1.1 Aprendizado supervisionado 4.5.1.2 Aprendizado não supervisionado 4.5.1.3 Aprendizado por reforço 4.6 Deep Learning (DL) 4.7 Sistemas de recomendação 4.7.1 Sistemas de recomendação educacional 4.8 Processamento de Linguagem Natural 4.8.1 Processamento de Linguagem Natural na educação 4.9 Visão computacional 4.10 Assistentes de Voz Inteligentes 4.11 Robótica 4.11.1 Robótica educacional 4.12 Chatbots 4.12.1 Chatbots na educação 4.13 IA na educação 4.14 Impacto da IA na educação 4.14.1 Sistemas de Tutoria Inteligente (ITS) CAPÍTULO 5 - EDUCAÇÃO INTELIGENTE 5.1 Aprendizagem inteligente 5.2 Ambientes de aprendizagem inteligentes 5.3 Design Instrucional Inteligente 5.4 Singularidade e inteligência humano-computacional Cases Perspectivas: novas fronteiras para o conhecimento e a aprendizagem Glossário Chave de tradução Chave de siglas Índice remissivo Referências
9786587958439
Educação
Ensino
Aprendizagem
