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

2026/2027

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 unit's 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 discussão e nota mínima de 8 valores (50%) - teste individual com nota mínima de 8 valores (50%) A aprovação requer uma frequência mínima de 80% das aulas, participação em todos os momentos de avaliação e nota mínima de 10. EXAME: O Exame Final corresponde a um exame escrito. Os alunos têm de obter uma nota mínima de 10 para passar. Em ambas as modalidades de avaliação, os alunos poderão ser convocados para uma prova individual, oral ou escrita, destinada a validar a respetiva classificação.

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, com recurso ao R ME3: Ativa, mediante a realização de um trabalho de grupo ME4: Autoestudo, 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, é 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 ME3, a metodologia ativa que envolve trabalho em grupo, está alinhada com todos os objetivos de aprendizagem (OA1, OA2, OA3). Esta facilita a aprendizagem colaborativa, onde os alunos podem aperfeiçoar a sua compreensão da análise de dados não supervisionada (OA1), aplicar o R num ambiente de grupo (OA2) e, coletivamente, avaliar e interpretar os resultados (OA3), para finalmente os expor oralmente e analisar criticamente no contexto de uma discussão do trabalho. Este envolvimento ativo não só reforça a aprendizagem individual, mas também desenvolve habilidades de trabalho em grupo 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 envolverem-se em trabalho autónomo. Esta componente permite que os alunos se aprofundem no material, pratiquem a análise de dados usando o R e desenvolvam a sua capacidade de avaliar e interpretar resultados de forma independente. O equilíbrio entre estas metodologias garante que os alunos não sejam apenas expostos ao conhecimento teórico, mas também ganhem experiência prática e desenvolvam habilidades de pensamento crítico através de atividades individuais e colaborativas. Esta abordagem 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

-

Data da última atualização / Last Update Date

2026-07-30