Não aborda: 1.6 Processos aleatórios: estacionariedade, ergodicidade, densidade espectral. 1.7 Representação em espaços vetoriais: ortogonalidade, projeção, bases de funções. 1.8 Teoria da detecção de sinais: critérios de decisão, ROC, filtro casado. 1.9 Estimação de parâmetros: máxima verossimilhança, estimadores bayesianos. 1.10 Teoria da informação: entropia, informação mútua, capacidade de canal. 2.2 DFT e FFT: propriedades, algoritmos, implementação. 2.3 Transformada wavelet: análise multiresolução, bases wavelets. 2.4 Filtros FIR: projeto, implementação, análise de resposta. 2.5 Filtros IIR: aproximações clássicas, transformações, estabilidade. 2.6 Técnicas de interpolação e reconstrução de sinais. 2.7 Representações tempo-frequência e aplicações. 3 Processamento digital de imagens e vídeo. 3.1 Formação e aquisição de imagens: percepção visual, sensores CCD e CMOS, sistemas ópticos, amostragem e quantização. 3.2 Transformadas 2D: Fourier, DCT, wavelets. 3.3 Realce de imagens: contraste, equalização de histograma, filtragem. 3.4 Restauração: modelos de degradação, deconvolução, estimação de ruído. 3.5 Segmentação: detecção de bordas, regiões, textura. 3.6 Compressão de imagens: JPEG, JPEG2000, padrões modernos. 3.7 Processamento de vídeo: movimento, compressão temporal. 3.8 Codificação de vídeo: padrões MPEG, H.264/AVC, HEVC. 4 Processamento de sinais de áudio e voz. 4.1 Fundamentos acústicos: propagação, reflexão, absorção. 4.2 Percepção auditiva: psicoacústica, bandas críticas. 4.3 Análise de sinais de voz: modelo fonte-filtro, formantes. 4.4 Características espectrais: MFCC, LPC, análise cepstral. 4.5 Redução de ruído: subtração espectral, filtragem adaptativa. 4.6 Codificação perceptual: modelos psicoacústicos, mascaramento. 4.7 Compressão de áudio: MP3, AAC, Opus, padrões modernos. 4.8 Análise tempofrequência: espectrograma, wavelets. 5 Aprendizagem de máquina e reconhecimento de padrões. 5.1 Fundamentos estatísticos: probabilidade, inferência bayesiana. 5.2 Teoria da decisão: risco, custo, classificadores ótimos. 5.3 Aprendizado supervisionado: classificação, regressão. 5.4 Métodos lineares: discriminantes, SVM, regressão logística. 5.5 Métodos não-lineares: árvores, random forests, boosting. 5.6 Redes neurais: arquiteturas, otimização, regularização. 5.7 Deep learning: CNN, RNN, LSTM. 5.8 Arquiteturas generativas: autoencoders, GANs. 5.9 Aprendizado não-supervisionado: clustering e agrupamento. 5.10 Técnicas de redução dimensional: PCA, LDA, seleção de características. 5.11 Validação e avaliação de modelos de aprendizagem: cross-validation, métricas. 5.12 Aplicações: classificação de sinais, sistemas de reconhecimento facial, geração de imagens e áudio por inteligência artificial. 6 Sistemas de comunicação. 6.1 Análise de sinais em comunicações. 6.2 Modulação analógica e digital. 6.3 Técnicas de múltiplo o (FDMA, TDMA, CDMA). 6.4 Modulação e codificação digitais. 6.5 Teoria da detecção em comunicações. 6.6 Equalização e sincronização de canais. 6.7 Sistemas multiportadora. 6.8 Espalhamento espectral. 6.9 Sistemas MIMO. 7 Fundamentos de eletrônica e circuitos. 8 Estruturas de dados multimídia e noções de programação. 8.1 Estruturas de dados fundamentais. 8.2 Algoritmos de ordenação e busca. 8.3 Complexidade de algoritmos (notação Big-O). 8.4 Programação em Python para processamento de sinais. 8.5 Bibliotecas científicas: NumPy, SciPy, OpenCV. 8.6 Estruturas de arquivos multimídia: RIFF, ISO base media, JPEG, MP3, Ogg, PDF. 7.6 Filtros ivos e ativos: análise e projeto básico. 7.8 Microprocessadores e microcontroladores. 7.9 Memórias. 8.1 - Estruturas de Dados Fundamentais. 8.2 - Algoritmos de Ordenação de Busca. 8.3 - Complexidade de Algoritmos (notação Big-O). Base para 8.4 e 8.5. 8.4 - Programação em python para processamento de sinais 8.5 - Bibliotecas científicas:NumPy, SciPy, OpenCV.  4c4852