Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
02864
Acrónimo :
02864
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) :
0.0h/sem
Aula Teórico-Prática (TP) :
18.0h/sem
Aula Prática e Laboratorial (PL) :
18.0h/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


Ciências e Tecnologias da Programação

Departamento / Department


Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year


2023/2024

Pré-requisitos / Pre-Requisites


Conhecimentos básicos de programação, probabilidades e estatística, e álgebra linear.

Objetivos Gerais / Objectives


O objectivo geral desta UC é dar formação nas técnicas e algoritmos que permitem extrair modelos e conhecimento a partir de grandes quantidades de informação.

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 os alunos deverão ser capazes de: OA1: compreender e identificar os problemas associados ao processamento de grandes quantidades de informação OA2: saber aplicar técnicas de aprendizagem supervisionada e não supervisionada em problemas de grande dimensão OA3: compreender as diferentes técnicas dos sistemas de recomendação OA4: saber como realizar a análise de dados a partir de sequências OA5: compreender o que é Deep Learning e as suas técnicas OA6: saber como determinar items frequentes e definir regras de associação OA7: compreender técnicas de processamento de grafos

Conteúdos Programáticos / Syllabus


CP1 Fundamentos de Big Data CP2 Aprendizagem supervisionada/não supervisionada para larga escala CP3 Sistemas de recomendação CP4 Aprendizagem a partir de sequências CP5 Introdução ao deep learning CP6 Items frequentes e regras de associação CP7 Análise de hiperligações e comunidades em grafos

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


Objectivos de Aprendizagem (OA) - Conteúdos programáticos (CP) OA1-CP1 OA2-CP2 OA3-CP3 OA4-CP4 OA5-CP5 OA6-CP6 OA7-CP7

Avaliação / Assessment


A avaliação pode ser realizada de duas formas: periódica [1] ou exame final [2]. [1] A avaliação periódica consiste em: - 1 teste escrito individual (1ª época de exames) com um peso na nota final de 60%, sendo necessário obter uma nota mínima de 8 em 20 para obter aprovação na UC. - 1 trabalho (de grupo) com um peso na nota final de 40%. [2] O exame final é composto por parte teórica e parte prática, realizadas no Iscte-IUL (ver detalhes obrigatórios no campo Observações).

Metodologias de Ensino / Teaching methodologies


As aulas são teórico-práticas, alternando entre a exposição dos assuntos de cariz teórico e a realização de exercícios.

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


O alinhamento entre cada instrumento de avaliação e os objectivos definidos para a UC é realizado da seguinte forma: -Testes: Todos os objectivos -Trabalho: Todos os objectivos ou -Exame: todos os objectivos

Observações / Observations


A parte prática do exame final avaliará os conhecimentos práticos necessários ao desenvolvimento de projetos de complexidade semelhante à do trabalho considerado para avaliação periódica. Os alunos que entregaram projeto durante a avaliação periódica poderão optar por não realizar a parte prática do exame final. Nesse caso, a nota da parte prática será a nota do trabalho. A realização da parte prática requer a inscrição por email para o docente, com pelo menos dois dias úteis de antecedência. Por razões logísticas a realização da prova prática poderá não ser no dia da prova teórica.

Bibliografia Principal / Main Bibliography


Deep Learning, Ian Goodfellow and Yoshua Bengio, 2016, MIT Press. Practical Data Science with Hadoop and Spark: Designing and Building Effective Analytics at Scale, Ofer Mendelevitch, Casey Stella and Douglas Eadline, Addison-wesley, 2016. Advanced Analytics with Spark: Patterns for Learning from Data at Scale, Sandy Ryza et al., O'Reilly Media, 2017. Learning Spark: Lightning-Fast Big Data Analysis, Holden Karau, A. Konwinski, P. Wendell and M. Zaharia, O'Reilly Media, 2015. Big Data: Algorithms, Analytics, and Applications, Kuan-Ching Li et al., Chapman and Hall/CRC, 2015. Mining of Massive Datasets, A. Rajaraman, J. Ullman, 2011, Cambridge University Press.

Bibliografia Secundária / Secondary Bibliography


The elements of statistical learning, Trevor Hastie, Robert Tibshirani, and Jerome Friedman. Springer, 2001. All of Statistics: A concise course in Statistical Inference, L.Wasserman, Springer, 2003.

Data da última atualização / Last Update Date


2024-02-16