Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciência de Dados
Departamento / Department
ISCTE
Ano letivo / Execution Year
2020/2021
Pré-requisitos / Pre-Requisites
.
Objetivos Gerais / Objectives
Introduzir os principais métodos analíticos não supervisionados na aplicação a problemas reais.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1: Compreender os principais métodos analíticos não supervisionados OA2: Utilizar R no contexto dos métodos não supervisionados OA3: Avaliar, validar e interpretar os resultados
Conteúdos Programáticos / Syllabus
CP1: Introdução aos métodos de aprendizagem não supervisionada CP2: Técnicas de redução da dimensionalidade dos dados - Análise em componentes principais (ACP) - Aplicações com R CP3: Técnicas de clustering: - Métodos hierárquicos - Métodos partitivos - Mapas self-organizing - Métodos probabilísticos - Qualidade e validação de soluções de clustering - Aplicações com R CP4: Estudos de caso
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
OA1 ? Todos os CP OA2 - Todos os CP OA3 - Todos os CP
Avaliação / Assessment
Os estudantes podem optar por Avaliação Periódica ou Exame Final. AVALIAÇÃO PERIÓDICA: - trabalho de grupo com nota mínima de 8 valores (50%) - teste individual com nota mínima 8 valores (50%) A aprovação requer uma frequência mínima de 80% das aulas e nota mínima de 10. EXAME: O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes: ME1: Expositiva, para apresentação dos quadros teóricos de referência ME2: Experimental, em laboratório de informática, efetuando análises de dados com R ME3: Ativa, mediante a realização de um trabalho de grupo ME4: Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento de Aulas.
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
ME1- OA1, OA3 ME2- OA2 ME3- OA1, OA2, OA3 ME4- OA1, OA2, OA3
Observações / Observations
Tendo em conta o comunicado do Gabinete do Ministro da Ciência, Tecnologia e Ensino Superior, de 21.1.2021, no contexto das medidas extraordinárias do estado de emergência, o início das atividades letivas decorrerá em formato de ensino à distância. Todas as alterações que possam acontecer serão comunicadas aos estudantes.
Bibliografia Principal / Main Bibliography
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning: with applications in R, New York: Springer. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.
Bibliografia Secundária / Secondary Bibliography
Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers. Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning. Kohonen, T. (2001). Self-Organizing Maps. Third edition, Springer. Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC. Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press.
Data da última atualização / Last Update Date
2024-02-16