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) :
6.0h/sem
Aula Prática e Laboratorial (PL) :
20.0h/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 :
27.0h/sem
Trabalho Autónomo :
123.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


Ciência de Dados

Departamento / Department


ISCTE

Ano letivo / Execution Year


2024/2025

Pré-requisitos / Pre-Requisites


Não existem pré-requisitos.

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. Explicar os domínios de aplicação e quais as competências necessárias para analisar vários tipos de dados. OA2. Definir conceitos como dados e informação, análise exploratória de dados, inferência estatística e modelação, aprendizagem automática e análise de dados n-dimensionais. OA3. Justificar a necessidade de pesquisa reprodutível e as questões éticas e regulamentares que se levantam para a tomada de decisão orientada por dados e a possibilidade de existência de enviesamentos. OA4. Explicar 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, ética: dados pessoais, conduta de investigação e desafios éticos da Inteligência Artificial. 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 para comunicação de conhecimento. CP6. Técnicas básicas 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: CP1 proporciona elementos a OA1, OA2, OA3, introduzindo os conceitos explicitados em OA2 e OA3 e os exemplos que ilustram OA1. CP2 proporciona elementos a OA1, OA3, OA4, explicitando as questões indicadas em OA3, realçando o papel dos conceitos em OA2 e a importância de OA4 neste contexto. CP3 proporciona elementos a todos os OA, escolhendo casos relevantes para os objetivos de aprendizagem. CP4 ilustra, complementa e consolida alguns dos dominínios OA1 e reforça OA3. CP5 proporciona elementos a OA1, OA2, OA4, não apenas pela liustração prática de OA4, mas também reforçando a aprendizagem dos conceitos e competências indicadas em OA1 e OA2. CP6 proporciona elementos a OA1 e OA3 e ilustra, complementa e consolida alguns dos dominínios OA1 e reforça OA3. CP7 proporciona elementos a OA1, OA2 e OA3 através de experiências 'hands-on' com casos práticos reais.

Avaliação / Assessment


Serão utilizadas as seguintes metodologias de ensino-aprendizagem: MEA1: Ilustrativas, para exemplificação dos conceitos teóricos em contextos reais, se possível com palestras convidadas. MEA2: Argumentativas, com apresentação e discussão do trabalho de grupo. MEA3: Participativas e Ativas, com realização do trabalho de investigação e de pequenos exercícios em aula. MEA4: Experimentais, desenvolvendo e explorando casos práticos. MEA5: Autoestudo por parte do aluno.

Metodologias de Ensino / Teaching methodologies


Serão utilizadas as seguintes metodologias de ensino-aprendizagem: MEA1: Ilustrativas, para exemplificação dos conceitos teóricos em contextos reais, se possível com palestras convidadas. MEA2: Argumentativas, com apresentação e discussão do trabalho de grupo. MEA3: Participativas e Ativas, com realização do trabalho de investigação e de pequenos exercícios em aula. MEA4: Experimentais, desenvolvendo e explorando casos práticos. MEA5: Autoestudo 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


Rachel Schutt and Cathy O'Neil. 2013. Doing Data Science: Straight Talk from the Frontline. O'Reilly Media, Inc. Alberto Cairo. 2012. The Functional Art: An introduction to information graphics and visualization (1st. ed.). New Riders Publishing, USA. Voeneky, S., Kellmeyer, P., Mueller, O., & Burgard, W. (Eds.). 2022. The Cambridge Handbook of Responsible Artificial Intelligence: Interdisciplinary Perspectives. Cambridge: Cambridge University Press.

Bibliografia Secundária / Secondary Bibliography


P. Mathur. 2028. Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta. 2017. Practical Data Science Cookbook, Second Edition. Packt Publishing. I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter, J. Lane. 2016. Big Data and Social Science: A Practical Guide to Methods and Tools, 1st Edition. CRC Press, Chapman & Hall. T. W. Miller. 2015. Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?. O'Reilly. M. N. Jones, 2016. Big Data in Cognitive Science (Frontiers of Cognitive Psychology), Taylor & Francis. F. Provost. 2013. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly. S. Few. 2004. Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Press.

Data da última atualização / Last Update Date


2024-09-11