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
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 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
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