Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Gestão Geral

Departamento / Department

Ano letivo / Execution Year

2015/2016

Pré-requisitos / Pre-Requisites

Não existem

Objetivos Gerais / Objectives

Desenvolver projectos aplicados completos de análise de dados focados no valor e importância estratégica para o negócio. Dotar os alunos da capacidade de desenvolvimento de projectos analíticos efectivos.

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

OA1. Identificar áreas de negócio relevantes para aplicação de soluções de análise de dados; OA2. Perceber e aplicar uma abordagem metódica para desenvolver soluções de negócio com base na análise; Perceber a importância de ter uma abordagem científica para resolver problemas de negócio; OA3. Fundamentação e enquadramento económico dos problemas de negócio e fenómenos a estudar; OA4. Identificar e definir objectivos de negócio, métricas, análise custo-benefício e impactos esperados; OA5. Definir, desenhar e desenvolver soluções analíticas para o negócio. OA6. Integrar soluções analíticas no negócio. OA7. Criar a documentação adequada do projecto analítico.

Conteúdos Programáticos / Syllabus

CP1. Business Analytics - motivação, exemplos, referências e casos; CP2. Visão geral do CRISP-DM e outras Metodologias e melhores práticas; CP3. Projeto aplicado; CP3.1. Definição de âmbito dos projetos; CP3.2. Compreensão do negócio; CP3.3. Compreensão de dados; CP3.4. Preparação de dados; CP3.5. Modelação CP3.6. Avaliação CP3.7. Implementação CP4. Apresentação Final dos projetos.

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

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: CP1 -> OA 1, 2, 3, 4 CP2 -> OA 1, 2, 3, 4 CP3 -> OA 5, 6 CP4 -> OA 2,3,4,5,6,7 CP5 -> OA 2,3,4,5,6,7

Avaliação / Assessment

A avaliação contínua inclui a realização de um trabalho individual com avaliação e ponderação de 80%. A avaliação contínua exige a presença em, pelo menos, 60% das aulas, a que corresponde uma ponderação de 20% Os alunos em avaliação contínua que não obtenham a nota mínima de 10 valores serão remetidos para exame final.

Metodologias de Ensino / Teaching methodologies

Todas as aulas são teórico-práticas e decorrem no laboratório de informática. Metodologias de ensino-aprendizagem (ME): ME1. Expositivas, apresentação dos quadros teóricos de referência. ME2. Participativas, análise de artigos científicos e case studies. ME3. Ativas, realização de trabalho de grupo ME4. Experimentais, em laboratório, com desenvolvimento e exploração de "modelos" em computador ME5. Auto-estudo,

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

As metodologias de ensino-aprendizagem visam o desenvolvimento da capacidade de investigação e desenvolvimento autónomo de projectos de business analytics por parte dos alunos. ME1 + ME2 + ME5-> OA 1, 2, 3, 4, 7 ME3 + ME4 + ME5-> OA 5,6,7

Observações / Observations

.

Bibliografia Principal / Main Bibliography

Livro recomendado: Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking, de Foster Provost & Tom Fawcett, Editora O´Reilly Media In Artigos científicos indicados e/ou disponibilizados pelo docente Documentos, manuais e guias de utilização indicados e/ou disponibilizados pelo docente Folhas de apoio às aulas elaboradas pelo docente

Bibliografia Secundária / Secondary Bibliography

Gama, J., Carvalho, A., Faceli, K., Lorena, A. & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining, Lisboa, Portugal: Edições Sílabo. Reis, Elizabeth (2001). Estatística Multivariada Aplicada, 2ª edição, Lisboa, Portugal: Edições Sílabo. Ayres, I. (2008). Super Crunchers: Why Thinking-By-Numbers is the New Way To Be Smart, USA, Bantam Baker, S. (2009). The Numerati, London, Uk, Mariner Books. Davenport, T., Harris, J. (2007). Competing on Analytics: The New Science of Winning, USA, Harvard Business Press. Silver, N. (2012) The Signal and the Noise: Why So Many Predictions Fail -- but Some Don't, USA, Penguin Group. Santos, M. & Ramos, I. (2009). Hair, J., Black, W., Barrin, B., Andersen, R.(2009), Multivariate Data Analysis, 7th edition, New Jersey, USA, Prentice Hall

Data da última atualização / Last Update Date

2024-02-16