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
Conhecimento previsto nas UC dos semestres antecedentes, previstas no plano de curso.
Objetivos Gerais / Objectives
Os estudantes aprenderão a desenvolver um projeto integrado de tratamento de dados, com dimensão considerável e preferencialmente reais. Serão capazes de identificar e aplicar os métodos adequados para a correta obtenção dos objetivos de investigação. Finalmente, serão capazes de comunicar os resultados de forma correta. O1: Reforçar aspetos potencialmente relevantes para o desenvolvimento de um projeto com dados O2: Identificar a metodologia apropriada para o problema a resolver. O3: Identificar as variáveis relevantes para a obtenção do conhecimento necessário. O4: Tratar os dados com plataformas apropriadas para se atingir os objetivos propostos O5: Produzir documentação adequada à correta divulgação dos resultados obtidos.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Pretende-se prover os estudantes de experiência na aplicação de soluções a problemas concretos, baseados em dados e em variados contextos e domínios. Os estudantes aprenderão a desenvolver um projeto em ciência de dados, em ambiente académico e científico, identificando necessidades, manipulando dados, e identificando as metodologias apropriadas para o problema a resolver. Serão reforçados um conjunto de aspetos, potencialmente relevantes para um projeto com dados (reais) de dimensão considerável, tais como: visualização (geoespacial), métodos de classificação automáticos, balanceamento de dados e overfitting, séries temporais, realçando também a forma correta de comunicação dos resultados. Dá-se preferência ao acolhimento de problemas de docentes/investigadores do Iscte com projetos reais e delimitados.
Conteúdos Programáticos / Syllabus
CP1: Introdução de elementos potencialmente relevantes para o desenvolvimento de um projeto CP2: Introdução aos projetos aplicados em Data Science CP3: Enquadramento e escolha de metodologia adequada CP4: Desenvolvimento do projeto com dados de dimensão considerável e preferencialmente reais CP5: Templates de divulgação de resultados obtidos
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
O cumprimento do objetivo O1 é atingido com a exposição do conteúdo programático CP1. O cumprimento dos objetivos O2 e O3 é atingido através dos conteúdos programáticos CP2 e CP3. O cumprimento do objetivo O4 é atingido através do conteúdo programático CP4. O cumprimento do objetivo O5 é atingido através da exposição do conteúdo programático CP5.
Avaliação / Assessment
Dada a sua natureza, esta UC é feita apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame. A avaliação consiste em duas componentes: a) Questionários (50%): 4 questionários feitos em grupo e com consulta (10% cada) + 1 questionário individual (10%); b) Trabalho de grupo, com escrita de relatório e apresentação oral (50%). Os alunos devem obter uma nota mínima de 9 valores em cada componente. A assiduidade não é requisito essencial de aprovação.
Metodologias de Ensino / Teaching methodologies
Metodologias de ensino: - Ensino Teórico-Prático (no Iscte). - Ensino Tutorial (no Iscte). Aprendizagem: por trabalho e estudo em grupo e individual; por aprendizagem com os docentes da UC e com um eventual proponente do problema em estudo.
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 são as necessárias ao cumprimento dos objectivos de aprendizagem e variam de grupo para grupo de alunos e de projecto para projeto. O princípio deve ser o da geometria totalmente variável e em função das necessidades de cada grupo e projecto: tutoria, desenvolvimento teórico-prático, em grupo ou individualmente.
Observações / Observations
Os alunos abrangidos pelo "Regulamento Interno para Estudantes com Estatutos Especiais" deverão contactar o docente ou o coordenador da UC na primeira semana de aulas de cada semestre, com vista ao eventual enquadramento dos processos de aprendizagem e avaliação na UC.
Bibliografia Principal / Main Bibliography
Field Cady, The Data Science Handbook, 2017, DOI:10.1002/9781119092919, https://onlinelibrary.wiley.com/doi/book/10.1002/9781119092919 Bradley Boehmke & Brandon Greenwell, Hands-On Machine Learning with R, 2020, https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/ Jake VanderPlas, Python Data Science Handbook, 2016, O'Reilly Media, Inc., https://jakevdp.github.io/PythonDataScienceHandbook/ José Braga de Vasconcelos e Alexandre Barão, Ciência Dos Dados Nas Organizações - Aplicações Em Python, 2017, FCA Editora, Trevor Hastie , Robert Tibshirani , Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference and Prediction, 2016, https://link.springer.com/book/10.1007/978-0-387-84858-7, https://hastie.su.domains/Papers/ESLII.pdf James, G., Witten, D., Hastie, T., and Tibshirani, R., An Introduction to Statistical Learning with Applications in R (1st Ed.), 2013, Springer,
Bibliografia Secundária / Secondary Bibliography
Glenn J. Myatt and Wayne P. Johnson, Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining", Second Edition, 2014, John Wiley & Sons, Inc.,
Data da última atualização / Last Update Date
2024-02-16