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
2023/2024
Pré-requisitos / Pre-Requisites
-
Objetivos Gerais / Objectives
Compreender e aplicar a análise supervisionada em tarefas de classificação e regressão.
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 métodos de aprendizagem supervisionada: âmbitos de aplicação e procedimentos OA2: Utilizar software R para realizar as análises de dados OA3: Avaliar e interpretar os resultados das análises de dados
Conteúdos Programáticos / Syllabus
CP1: Sobre Aprendizagem Supervisionada Tipologias Dados para aprendizagem Funções objetivo Avaliação e seleção de modelos Notas sobre inferência estatística CP2: Métodos de Regressão K- Nearest Neighbor Árvores de Regressão (algoritmo CART) CP3: Métodos de Classificação Naive Bayes K-Nearest-Neighbor Regressão Logística Árvores de Classificação (algoritmo CART)
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
A metodologia de ensino-aprendizagem (ME) inclui quatro componentes: ME1: Expositiva, para apresentação dos quadros teóricos de referência ME2: Experimental, mediante uso de software para efetuar análises de dados 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 | AVALIAÇÃO PERIÓDICA: - quiz online realizado em grupo (40%) com nota mínima de 9 valores - teste individual (60%) com nota mínima 9 valores. A aprovação requer nota mínima de 10 valores. EXAME: 1ª parte - teste individual (60%) 2ª parte - teste individual online com análises de dados efetuadas com a ferramenta de software usada nas aulas (40%). Os alunos devem obter uma nota mínima de 9 valores em cada parte do exame e nota mínima (ponderada) de 10 valores para aprovação.
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, mediante uso de software para efetuar análises de dados 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
Observações / Observations
Bibliografia Principal / Main Bibliography
Gareth, J., Daniela, W., Trevor, H., & Robert, T. (2013). An introduction to statistical learning: with applications in R. Springer. Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: Springer. Lantz, B. (2023). Machine Learning with R: Learn techniques for building and improving machine learning models, from data preparation to model tuning, evaluation, and working with big data. 4th Edition. Packt Publishing. Larose, D., Larose, C. (2015). Data Mining and Predictive Analytics. John Wiley & Sons.
Bibliografia Secundária / Secondary Bibliography
Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R (2012). Great Britain: Sage Publications, Ltd, 958.
Data da última atualização / Last Update Date
2024-02-16