Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
03209
Acrónimo :
03209
Ciclo :
2.º ciclo
Línguas de Ensino :
Inglês (en), Português (pt)
Língua(s) amigável(eis) :
Português,Inglês

Carga Horária / Course Load


Semestre :
1
Créditos ECTS :
6.0
Aula Teórica (T) :
18.0h/sem
Aula Teórico-Prática (TP) :
18.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/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


Sistemas de Informação

Departamento / Department


Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year


2022/2023

Pré-requisitos / Pre-Requisites


- Domínio razoável da língua inglesa.

Objetivos Gerais / Objectives


O principal objetivo desta UC é capacitar o aluno a usar qualquer informação disponível para fazer projeto de Ciência de Dados, isto é, extrair conhecimento para seu negócio, seja privado ou público. A disciplina baseia-se na utilização dos princípios fundamentais da ciência dos dados a aplicar a engenharia, gestão, finanças e economia. Uma forte ênfase é dada ao desenvolvimento de competências em vários casos de estudo.

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


O1. Conhecer e compreender a ciência dos dados O2. Conhecer a história e tipos da aprendizagem automática O3. Aprender e conhecer a linguagem de programação Python O4. Aprender e conhecer os conceitos que permitem realizar uma Análise Exploratória de Dados (EDA) O5. Aprender e conhecer mecanismos de Data Wrangling O6. Aprender e conhecer mecanismos de Data Visualization O7. Conhecer e compreender os algoritmos do tipo supervisionado: árvores de decisão, regressão linear e logística, support vector machines (SVM), naive bayes classification. Conhecer e compreender os algoritmos do tipo não-supervisionado: K-means; O8. Conhecer a utilização de variáveis contínuas e categóricas; distinguir classificação e regressão O9. Compreender os algoritmos do tipo por reforço: Q-learning O10. Compreender as Redes Neuronais Artificiais (RNA) O11. Compreender as Redes Neuronais Recorrentes (RNR) e Redes Neuronais Convolucionais (RNC) O12. Compreender as aplicações das séries temporais

Conteúdos Programáticos / Syllabus


CP1. Introdução à Ciência dos Dados CP2. Introdução à Aprendizagem Automática: A história, fundamentos e conceitos base CP3. Introdução à linguagem de programação Python CP4. Análise Exploratória de Dados (EDA): Parte 1 - Data Wrangling com Pandas CP5. Análise Exploratória de Dados (EDA): Parte 2 - Data Visualization com Matplotlib / Seaborn CP6. Aprendizagem Supervisionada: SVM, Árvores de Decisão, Regressões Linear e Logística, Florestas Aleatórias; CP7. Aprendizagem Não-Supervisionada: K-means clustering; Aprendizagem por Reforço: Q-Learning CP8. Classificação e Regressão; Variáveis Numéricas / Contínuas e Categóricas / Discretas CP9. Redes Neuronais Artificiais CP10. Deep Learning: Redes Neuronais Recorrentes (RNNs) e Convolucionais (CNNs); Visão computacional CP11. Séries Temporais

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


O alinhamento dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA) é o seguinte: CP1: OA1 CP2: OA2 CP3: OA3 CP4: OA4, OA5 CP5: OA4, OA6 CP6: OA7 CP7: OA7 CP8: OA8, OA9 CP9: OA10 CP10: OA11 CP11: OA12

Avaliação / Assessment


Dada a natureza prática dos conteúdos lecionados, a avaliação será realizada por projeto. O seu tema deverá estar alinhado com a totalidade ou parte do programa da UC. Proposta do tema do projeto (5%). Projeto (95%, incluindo trabalho de grupo (relatório e software) ? 40% e prova oral individual ? 55%). Todas as componentes do projeto ? proposta, relatório, software e prova oral, são obrigatórias. A classificação mínima para cada componente é de 10 numa escala de 0 a 20. Haverá apenas uma data limite para a entrega do projeto, com exceção dos alunos inscritos em época especial que poderão entregar durante esse período. A presença nas aulas não é obrigatória. Não existe exame final. A melhoria de nota pode ser realizada através de entrega de novo projeto no ano letivo seguinte.

Metodologias de Ensino / Teaching methodologies


Nas aulas teóricas serão usados slides, assim como serão apresentados exemplos práticos da aplicação da teoria. Nas aulas práticas será realizado de forma continuada e acompanhada o trabalho final, consolidando os conceitos introduzidos nas aulas teóricas e aprofundando o tópico escolhido para o trabalho. Devido à atual situação provocada pela COVID-19, o processo de ensino poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário.

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


Principais interligações entre as metodologias de ensino-aprendizagem e os respectivos objetivos de aprendizagem (OA): 1. Aulas Expositivas: OA1, OA2 2. Aulas Participativas: transversal a todos os AO 3. Aulas Ativas: transversal a todos os AO 4. Trabalho Autónomo: transversal a todos os AO. O alinhamento entre cada instrumento de avaliação e os objectivos de aprendizagem é realizado da seguinte forma: - Participação nas aulas: transversal a todos os AO; - Projeto: transversal a todos os AO.

Observações / Observations


UCs anteriores onde é lecionada matéria relevante para esta UC: N/A UCs que irão utilizar a matéria lecionada nesta UC: - Sistemas Inteligentes de Apoio à Decisão - Extração de Conhecimento de Dados Empresarias - Visualização para Big Data

Bibliografia Principal / Main Bibliography


Mueller, J. P. (2019). Python for Data Science for Dummies, 2nd Edition (2.a ed.). John Wiley & Sons. Grus, J. (2019). Data science from scratch: First principles with python (2.a ed.). O?Reilly Media. Raschka, S. & Mirjalili, V. (2019). Python Machine Learning : Machine Learning and Deep Learning With Python, Scikit-Learn, And Tensorflow. Birmingham: Packt Publishing, Limited. Avila, J. (2017). Scikit-Learn Cookbook - Second Edition. Birmingham: Packt Publishing. Theobald, O. (2017). Machine Learning for Absolute Beginners: A Plain English Introduction. United States. Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc. VanderPlas, J. (2016). Python Data Science Handbook. O?Reilly Media.

Bibliografia Secundária / Secondary Bibliography


McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3.a ed.). O?Reilly Media. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, And Tensorflow : Concepts, Tools, And Techniques to Build Intelligent Systems. Sebastopol, CA: O'Reilly Media, Inc.

Data da última atualização / Last Update Date


2024-02-16