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
2024/2025
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
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 Aprendizagem supervisionada/não supervisionada para larga escala: OA2 CP3 Sistemas de recomendação: OA3 CP4 Aprendizagem a partir de sequências: OA4 CP5 Introdução ao deep learning: OA5 CP6 Items frequentes e regras de associação: OA6 CP7 Análise de hiperligações e comunidades em grafos: OA7
Avaliação / Assessment
Esta UC contempla as seguintes modalidades de avaliação: (1) avaliação ao longo do semestre; (2) avaliação por exame. (1) Avaliação ao longo do semestre A nota final é composta por: • Teste escrito individual (70%), com nota mínima de 8,0; • Trabalho de grupo (30%). O trabalho de grupo tem uma entrega intercalar que contará 30% e uma entrega no final do semestre que contará 70%. Quem não entregar a parte correspondente à entrega intercalar passa automaticamente para a modalidade de avaliação por exame. O trabalho terá uma apresentação/discussão oral sendo a nota final individual. (2) avaliação por exame A nota final será a obtida num único exame escrito, incluindo o exame de época especial.
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
Esta unidade curricular requer conceitos teóricos que serão abordados nas aulas teórico-práticas e avaliados na parte escrita da avalição, correspondendo a todos os objectivos de aprendizagem. Em complemento, os conceitos teóricos são aplicados com recurso às técnicas de programação estudadas, correspondendo igualmente a todos os objectivos de aprendizagem. Isso é feito nas aulas práticas e a avaliação mediante a realização de um trabalho de grupo ou em exame final, consoante a modalidade de avaliação escolhida.
Observações / Observations
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
2024-07-31