Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciências e Tecnologias da Programação
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2026/2027
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 problemas associados ao processamento de dados em larga escala. - OA2: Compreender e aplicar técnicas para encontrar itens de informação semelhantes. - OA3: Compreender e aplicar técnicas para determinar itens de informação frequentes e definir regras de associação. - OA4: Compreender técnicas para redução de dimensionalidade de dados. - OA5: Aplicar técnicas de aprendizagem automática - agrupamento e classificação - em problemas com dados em larga escala. - OA6: Compreender e aplicar técnicas para análise de dados em grafos de grande dimensão. - OA7: Compreender o funcionamento de sistemas de processamento contínuo de dados em tempo real. - OA8: Aplicar técnicas para análise de dados a partir de sequências de dados. - OA9: Compreender e aplicar técnicas para construção de sistemas de recomendação.
Conteúdos Programáticos / Syllabus
CP1 - Fundamentos de Big Data. CP2 - Similaridade de itens. CP3 - Itens frequentes e regras de associação. CP4 - Redução de dimensionalidade de dados. CP5 - Aprendizagem automática para dados em larga escala. CP6 - Análise de grafos de grande dimensão. CP7 - Processamento e análise de dados em tempo real. CP8 - Sistemas de recomendação.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
A interligação entre os conteúdos programáticos (CP) e os objetivos de aprendizagem (OA) realiza-se da seguinte forma: - CP1 - Fundamentos de Big Data: OA1. - CP2 - Similaridade de itens: OA2. - CP3 - Itens frequentes e regras de associação: OA3. - CP4 - Redução de dimensionalidade de dados: OA4. - CP5 - Aprendizagem automática para dados em larga escala: OA5 - CP6 - Análise de dados em grafos de grande dimensão: OA6. - CP7 - Processamento e análise de dados em tempo real: OA7, OA8. - CP8 - Sistemas de recomendação: OA9.
Avaliação / Assessment
A UC pode ser realizada através de 2 modalidades de avaliação: 1 - Avaliação ao longo do semestre A avaliação ao longo do semestre é composta por: - (80%) Componente teórica, constituída por dois testes: o 1º teste a realizar a meio do semestre, em data a definir, e o 2º teste a realizar na primeira data da época de exame. A incidência de conteúdos programáticos em cada um dos testes é diferente, não havendo repetição de conteúdos programáticos a avaliar do 1º para o 2º teste; - (20%) Componente prática, constituída por trabalhos de laboratório individuais. A nota final é calculada através de uma média ponderada destas duas componentes, de acordo com os pesos apresentados. Ambos os testes têm o mesmo fator de ponderação. A avaliação da componente prática é feita através de questionários _online_ a realizar na plataforma de e-learning. Cada questionário incidirá sobre uma ficha laboratorial, sendo obrigatória a presença em pelo menos uma das aulas afetas a essa ficha laboratorial para que a avaliação do questionário seja válida. Se determinado questionário não for considerado para avaliação, a respetiva cotação será 0 valores para efeitos de cálculo da nota da componente prática. 2 - Avaliação por exame final A avaliação por exame final é composta por um único exame a realizar em qualquer das épocas de exame disponíveis, que corresponderá a 100% da nota final.
Metodologias de Ensino / Teaching methodologies
A unidade curricular está estruturada ao longo de 12 semanas lectivas, com duas aulas distintas semanais: - 1 aula teórica, essencialmente expositiva, onde se apresentam os conceitos e técnicas dos conteúdos programáticos; - 1 aula de laboratório, onde o aluno, com base numa ficha laboratorial, irá implementar no seu computador programas relacionados com o conteúdo programático da ficha laboratorial, em ambiente de Notebook e com kernel Apache Spark / Python. Os alunos têm apoio do docente presente e devem trazer o seu próprio computador portátil. Adicionalmente, é esperado do aluno um tempo de trabalho autónomo semanal para consulta da bibliografia e revisão da matéria, resolução de exercícios e preparação das aulas laboratoriais.
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 metodologia de ensino segue o modelo tradicional de ensino destas temáticas, estruturado em aulas teórico-práticas e laboratoriais. Este modelo, associado à estruturação dos conteúdos programáticos, permite ao aluno adquirir progressivamente as competências necessárias para cada objectivo de aprendizagem, e estabelecer a relação entre eles. Os procedimentos de avaliação estão estruturados de forma análoga, incidindo progressivamente nos conteúdos programáticos leccionados e, em simultâneo, na demonstração das competências dos objectivos de aprendizagem associados.
Observações / Observations
Bibliografia Principal / Main Bibliography
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
Data da última atualização / Last Update Date
2026-07-29