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

2025/2026

Pré-requisitos / Pre-Requisites

Conhecimento previsto nas UC dos semestres antecedentes, previstas no plano de curso.

Objetivos Gerais / Objectives

Proporcionar aos estudantes a experiência completa de desenvolvimento de projetos aplicados a dados reais, desde a conceção até à comunicação de resultados. Com base em dados reais, os alunos irão aprender a selecionar e aplicar metodologias adequadas, a efetuar o pré-processamento e análise dos dados, a escolher as visualizações mais eficazes e a interpretar corretamente os resultados. A unidade promove o desenvolvimento integrado de competências técnicas e soft skills, como o trabalho em equipa e a comunicação eficaz, culminando na correta documentação e apresentação das soluções encontradas

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

OA1: Aplicar metodologias adequadas ao desafio em causa OA2: Desenvolver competências em limpeza, pré-processamento e integração de dados reais OA3: Transformar, sumarizar e visualizar dados de forma eficaz OA4: Analisar dados e interpretar resultados de forma crítica OA5: Comunicar resultados de forma clara e estruturada

Conteúdos Programáticos / Syllabus

CP1: Análise preliminar de dados. Exploração de bibliotecas para manipulação, limpeza, visualização e tratamento de dados reais, com foco na preparação dos dados para análise. CP2: Análise de Variáveis e Engenharia de Atributos. Identificação de variáveis-chave e aplicação de técnicas de seleção e transformação eficazes para melhorar a precisão do modelo e a qualidade global da análise. CP3: Visualização de dados univariados e multivariados. CP4: Análise, interpretação e comunicação eficaz dos resultados para apoiar a tomada de decisões baseada em dados. CP5: Desenvolvimento de um projeto aplicado utilizando dados do mundo real, abrangendo todas as etapas do processo analítico — desde a definição do problema até à apresentação e defesa de soluções baseadas em dados.

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

OA1 é garantido através de todos os conteúdos programáticos: CP1 a CP5 OA2 é atingido com a exposição do conteúdo programático CP1, que aborda a manipulação, limpeza e preparação de dados reais para análise. OA3 é assegurado pelos conteúdos programáticos CP2 e CP3, que desenvolvem as competências de transformação, seleção de variáveis, assim como as de sumarização e visualização dos dados. OA4 é alcançado através do conteúdo programático CP4, que se foca na comunicação e disseminação de resultados OA5 é atingido com a execução prática de um projeto aplicado, conforme exposto no conteúdo programático CP5, que abrange todas as etapas do desenvolvimento e apresentação de soluções com dados reais.

Avaliação / Assessment

Considerando a natureza prática do curso, a avaliação é realizada continuamente ao longo do semestre e não inclui exame final. A avaliação baseia-se em dois componentes principais: a) Quizzes online de grupo, com consulta a.1) Dois quizzes online, de grupo, realizados em aula (5% cada); a.2) Um quiz online, de grupo, abrangendo os conteúdos do curso (30%); b) Projeto de grupo (60%); b.1) Progresso e participação no Projecto de grupo decorrente de acompanhemento semanal (10%); b.2) Relatório final escrito e apresentação oral (50%); Requisito mínimo: Os alunos devem obter uma nota mínima de 9 (escala de 0 a 20) em cada componente para serem aprovados no curso.

Metodologias de Ensino / Teaching methodologies

- Ensino Teórico-Prático: Aulas que combinam a teoria e a prática, onde os alunos aplicam conceitos de ciência de dados a projetos do mundo real, orientados pelos instrutores, proporcionando uma integração entre o conhecimento teórico e a sua aplicação prática. – - Ensino Tutorial: Sessões de mentoria individuais ou em grupo, onde os alunos recebem orientação personalizada no desenvolvimento dos seus projetos, com feedback contínuo dos instrutores. - Para além das horas de contacto, espera-se que os alunos dediquem entre 6 a 10 horas semanais ao trabalho autónomo nos seus projetos, incluindo estudo, análise de dados e implementação de soluções. A aprendizagem será, assim, apoiada pelo trabalho individual e de grupo, fomentando a autonomia e a capacidade de resolução de problemas complexos.

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

(1) 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. https://link.springer.com/book/10.1007/978-0-387-84858-7 (2) James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: with applications in R (Vol. 103). New York: Springer. https://link.springer.com/book/10.1007/978-1-0716-1418-1 (3) Cady, F. (2024). The data science handbook. John Wiley & Sons. https://www.wiley.com/en-us/The+Data+Science+Handbook%2C+2nd+Edition-p-9781394234493 (4) Boehmke, B., & Greenwell, B. M. (2019). Hands-on machine learning with R. Chapman and Hall/CRC. https://bradleyboehmke.github.io/HOML/, https://bradleyboehmke.github.io/HOML/ (5) Wes McKinney (2022), Python for Data Analysis, 3rd Edition, O'Reilly Media, Inc. (https://wesmckinney.com/book/, https://github.com/wesm/pydata-book)

Bibliografia Secundária / Secondary Bibliography

(1) Harrison, M., & Petrou, T. (2020). Pandas 1. x Cookbook. Packt Publishing. (2) Mukhiya, S. K., & Ahmed, U. (2020). Hands-On Exploratory Data Analysis with Python: Perform EDA techniques to understand, summarize, and investigate your data. Packt Publishing Ltd. https://github.com/PacktPublishing/hands-on-exploratory-data-analysis-with-python (3) Gagolewski, M. (2022). Minimalist Data Wrangling with Python. arXiv preprint arXiv:2211.04630. https://datawranglingpy.gagolewski.com/ (4) Vasconcelos, J. B., & Barão, A. (2017). Ciência dos dados nas organizações. FCA Editora.

Data da última atualização / Last Update Date

2025-07-24