Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
03595
Acrónimo :
03595
Ciclo :
1.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Português

Carga Horária / Course Load


Semestre :
1
Créditos ECTS :
6.0
Aula Teórica (T) :
24.0h/sem
Aula Teórico-Prática (TP) :
0.0h/sem
Aula Prática e Laboratorial (PL) :
12.0h/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


Ciência de Dados

Departamento / Department


ISCTE

Ano letivo / Execution Year


2024/2025

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: Caracterizar 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


O conteúdo da unidade curricular está alinhado com os objetivos de aprendizagem, garantindo a compreensão e a aplicação prática de análise de dados não supervisionada utilizando R. O OA1 é alcançado através de uma introdução detalhada a vários métodos de aprendizagem não supervisionada (CP1), exploração aprofundada da Análise de Componentes Principais (CP2) e cobertura completa de técnicas de clustering não probabilísticas (CP3) e probabilísticas (CP4). Cada tópico inclui conceitos principais, etapas metodológicas e exemplos concretos em R, apoiando diretamente o OA2 ao proporcionar experiência prática com o software. Além disso, o OA3 é abordado ao longo do currículo, ensinando os alunos a avaliar, validar e interpretar os resultados, com ênfase específica em exemplos e estudos de caso em R para cada método. Essa estrutura coesa garante que todos os objetivos de aprendizagem sejam atingidos através de componentes programáticos interligados.

Avaliação / Assessment


Os estudantes podem optar por Avaliação ao longo do semestre ou Exame Final. AVALIAÇÃO AO LONGO DO SEMESTRE: - 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


As metodologias de ensino e avaliação estão definidas para alinhar e apoiar os objetivos de aprendizagem especificados, garantindo uma experiência de aprendizagem abrangente. A ME1, que envolve ensino expositivo, apoia diretamente os OA1 e OA3, proporcionando aos alunos uma base teórica sólida e os referenciais necessários para entender a análise de dados não supervisionada e interpretar os resultados. A ME2, a componente experimental realizada no laboratório de informática, é perfeitamente adequada para alcançar o OA2, pois permite que os alunos ganhem experiência prática com o R, aplicando conceitos teóricos em tarefas práticas de análise de dados. A TM3, a metodologia ativa que envolve trabalho em equipe, está alinhada com todos os objetivos de aprendizagem (OA1, OA2, OA3). Ela facilita a aprendizagem colaborativa, onde os alunos podem aprimorar sua compreensão da análise de dados não supervisionada (OA1), aplicar o R em um ambiente de equipe (OA2) e, coletivamente, avaliar e interpretar os resultados (OA3). Este envolvimento ativo não só reforça o aprendizado individual, mas também desenvolve habilidades de trabalho em equipe e comunicação, essenciais para a prática profissional. Finalmente, a ME4, que abrange o autoestudo, apoia todos os objetivos de aprendizagem (OA1, OA2, OA3) ao incentivar os alunos a se envolverem em trabalho autônomo. Esta componente permite que os alunos se aprofundem no material, pratiquem a análise de dados usando o R e aprimorem sua capacidade de avaliar e interpretar resultados de forma independente. O equilíbrio estruturado entre essas metodologias garante que os alunos não sejam apenas expostos ao conhecimento teórico, mas também ganhem experiência prática e desenvolvam habilidades de pensamento crítico por meio de atividades individuais e colaborativas. Esta abordagem abrangente garante que os objetivos de aprendizagem sejam efetivamente alcançados, preparando os alunos para aplicações do mundo real em análise de dados não supervisionada.

Observações / Observations


Bibliografia Principal / Main Bibliography


Nwanganga, F., M. Chapple (2020), Practical Machine Learning in R, 1st Edition, Wiley. Bouveyron, C., G. Celeux, T. B. Murphy, A. E. Raftery (2019), Model-Based Clustering and Classification for Data Science: With Applications in R, 1st Edition, Cambridge University Press. 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


2024-08-06