Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
03583
Acrónimo :
03583
Ciclo :
1.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
.

Carga Horária / Course Load


Semestre :
1
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
24.0h/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 :
25.0h/sem
Trabalho Autónomo :
125.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Ciência de Dados

Departamento / Department


ISCTE

Ano letivo / Execution Year


2021/2022

Pré-requisitos / Pre-Requisites


.

Objetivos Gerais / Objectives


O objetivo fundamental é o de apresentar aos estudantes os desafios que o estudo e utilização de dados origina e os problemas que pode ajudar a resolver. Os estudantes irão explorar o modo como os indivíduos e as organizações podem avaliar opções, tomar decisões e perceber o papel emergente de big data na orientação de decisões táticas e estratégicas. Palestras, leituras, discussões e trabalhos vão ensinar os alunos a aplicar, de um modo disciplinado, métodos criativos, a fim de fazer as perguntas apropriadas, recolher dados, interpretar os resultados e transmitir conclusões para vários públicos. A ênfase geral está nas contribuições práticas para as decisões a tomar. Áreas a abordar incluem, entre outras: a economia, gestão, finanças, comunicação, sociologia, psicologia, políticas públicas, engenharias, computação e saúde.

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


Após a conclusão do curso, os alunos serão capazes de: OA1. Compreender os domínios de aplicação e quais as competências necessárias para analisar vários tipos de dados. OA2. Perceber conceitos como análise exploratória de dados, inferência estatística e modelação, aprendizagem automática e análise de dados n-dimensionais. OA3. Compreender a necessidade de pesquisa reprodutível e as questões éticas que se levantam para a tomada de decisão orientada por dados e a possibilidade de existência de enviesamentos. OA4. Perceber as técnicas subjacentes à visualização e comunicação de resultados.

Conteúdos Programáticos / Syllabus


Conteúdos programáticos (CP): CP1. Introdução à Ciência de Dados: principais conceitos e metodologias. CP2. Dados no suporte à decisão: privacidade e ética. CP3. Apresentação de estudos de caso que incluam o ciclo completo de dados, provenientes de diferentes áreas. CP4. Recolha e tratamento de dados não estruturados. CP5. Conceitos e técnicas para visualização de dados e perceção visual. CP6. Técnicas de preparação de dados estruturados. CP7. Construção de modelos de inferência a partir dos dados.

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


Os objetivos de aprendizagem concordam com o conjunto de conteúdos programáticos descrito. Em particular, CP1 proporciona elementos a OA1, OA2, OA3 CP2 proporciona elementos a OA1, OA3, OA4 CP3 proporciona elementos a todos os OA CP4 proporciona elementos a OA1 e OA3 CP5 proporciona elementos a OA1, OA2, OA4 CP6 proporciona elementos a OA1 e OA3 CP7 proporciona elementos a OA1, OA2 e OA3

Avaliação / Assessment


Devido ao facto de a UC ser maioritariamente de experimentação prática e raciocínio crítico, a avaliação é periódica e não existe avaliação em exame. A nota final é calculada através da ponderação dos seguintes instrumentos de avaliação: Um teste individual online: 35% Relatório e discussão interpares do trabalho de grupo nos casos práticos perante um painel de avaliadores (composto por dois a três docentes dos módulos): 65%

Metodologias de Ensino / Teaching methodologies


Serão utilizadas as seguintes metodologias de ensino-aprendizagem: 1.Ilustrativas,para exemplificação dos conceitos teóricos em contextos reais e com a realização de palestras convidadas 2.Argumentativas,com apresentação e discussão do trabalho de grupo 3.Participativas e Ativas,com realização do trab de investigação(em grupo) 4.Experimentais,em laboratório, com desenvolvimento e exploração de modelos utilizando software de caixa preta 5.Autoestudo,com trab autónomo por parte do aluno.

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


Os alunos irão tomar contato in loco com problemas reais, desenvolvendo um pequeno projeto, ao longo das aulas e com a ajuda dos docentes, para assegurar a aquisição de todos os objetivos pretendidos.

Observações / Observations


.

Bibliografia Principal / Main Bibliography


P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, Practical Data Science Cookbook, Second Edition. Packt Publishing. 2017 C. O'Neil, R. Schutt. ?Doing Data Science: Straight Talk from the Frontline?. O'Reilly. 2013

Bibliografia Secundária / Secondary Bibliography


L. M. Chen, Z. Su, B. Jiang. Mathematical Problems in Data Science: Theoretical and Practical Method F. Provost. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly. 2013 M. N. Jones, Big Data in Cognitive Science (Frontiers of Cognitive Psychology), Taylor & Francis, 2016 T. W. Miller, Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?. O'Reilly. 2015 I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter, J. Lane, Big Data and Social Science: A Practical Guide to Methods and Tools, 1st Edition. CRC Press, Chapman & Hall. 2016 P. Mathur, Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. 2018.

Data da última atualização / Last Update Date


2024-02-16