Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Código :
00684
Acrónimo :
00684
Ciclo :
2.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Inglês

Carga Horária / Course Load

Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
18.0h/sem
Aula Teórico-Prática (TP) :
6.0h/sem
Aula Prática e Laboratorial (PL) :
12.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
37.0h/sem
Trabalho Autónomo :
113.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area

Inteligência Artificial

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2019/2020

Pré-requisitos / Pre-Requisites

Conhecimentos básicos de probabilidades e estatística, nomeadamente através de frequência com aproveitamento em unidades curriculares de Estatística.

Objetivos Gerais / Objectives

A unidade desenvolve competências em extração de conhecimento a partir de dados empresariais. Problemas típicos passíveis de serem estudados: descoberta de padrões de consumo, deteção de fraudes, estimação do risco de incumprimento no crédito ao consumo ou a empresas, deteção de fatores de abandono de serviços, seleção de clientes de companhias de seguros, descoberta de sequências típicas de visitas a páginas Web e outros.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final da UC o estudante deverá: OA1. Identificar e por em prática metodologias de descoberta de conhecimento com base em dados de negócio OA2. Adquirir a capacidade de análise crítica para escolher e aplicar a técnica de modelação mais adequada perante um problema para o qual existam dados para explorar OA3. Desenvolver de forma autónoma soluções para problemas específicos de casos do mundo real que envolvam preparação de dados, modelação e avaliação dos resultados

Conteúdos Programáticos / Syllabus

CP1. Introdução à extração de conhecimento a partir de dados (Data Mining) e principais metodologias. CP2. Aplicação de modelos de aprendizagem supervisionada e não supervisionada; CP3. Problemas de classificação e métricas; CP4. Problemas de regressão e métricas; CP5. Problemas de predição e métricas; CP6. Tratamento e preparação de dados; CP7. A importância da seleção das variáveis adequadas; CP8. Utilização do software open source R para proceder à modelação básica e análise de dados; CP9. Visualização de dados: princípios básicos e ferramentas; CP10. Adaptive Business Intelligence.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes

OA1 -> CP1; CP6 OA2 -> CP2; CP4; CP5; CP8; CP9 OA3 -> CP1; CP3; CP4; CP5; CP8; CP9; CP10

Avaliação / Assessment

As aulas são Teórico-Práticas (TP) de forma a poder aliar a aprendizagem teórica à aplicação das técnicas em termos práticos através da ferramenta R | Aval. Contínua: 4 testes (TI), 10% cada Um trabalho de grupo(TF) discutido intergrupos, na 1ª época (60%). Nota Final=TIx40%+TFx60%. Min.Testes:8val;Trabalho:9val. Alternativa - Aval. 1ª época: trabalho individual (T) min.9val- inscrição até um mês antes do final das aulas e discussão oral -60%. Um exame(E) min.8val, na data da 1ª época -40%. Nota Final=Tx60%+Ex40%. Avaliação 2ª época: Trabalho de grupo (60%) + Exame (40%) OU Trabalho individual 1ª época (60%) + Exame (40%)

Metodologias de Ensino / Teaching methodologies

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

A utilização de uma metodologia de aplicação contínua das ferramentas teóricas apreendidas servirá para dar ao estudante a capacidade de saber executar com casos práticos exemplos concretos.

Observações / Observations

Alterações à avaliação periódica: Os 3 últimos mini-testes serão substituídos por avaliação oral e escrita individual (através do chat da video-chamada) a decorrer na data em que se realizaria o último mini-teste. Nessa data realizar-se-á a avaliação nos mesmos moldes para os alunos que não seguem avaliação contínua. Esta avaliação funcionará por videoconferência, sendo que cada aluno avaliado tem de ter obrigatoriamente a câmara e o microfone a funcionar e responder de forma célere às questões. As discussões intergrupo dos trabalhos realizar-se-ão remotamente por videoconferência (todos os participantes deverão ter câmara e microfone operacionais). Ao abrigo do despacho 31/2020, há instrumentos de avaliação periódica online, incluindo a 1ª época. Foi dada indicação destas mudanças ao coord. de ano/curso e aos estudantes

Bibliografia Principal / Main Bibliography

Sharda, R., Delen, D., Turban, E., Aronson, J., & Liang, T. P. (2014). Businesss Intelligence and Analytics: Systems for Decision Support-(Required). Prentice Hall. Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Bibliografia Secundária / Secondary Bibliography

M. Rocha & P. Ferreira. Análise e exploração de dados com R. FCA. P. Cortez (2014). Modern optimization with R. Springer. P. Cortez (2015). A tutorial on using the rminer R package for data mining tasks. https://repositorium.sdum.uminho.pt/bitstream/1822/36210/1/rminer-tutorial.pdf Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O'Reilly.

Data da última atualização / Last Update Date

2024-02-16