Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Marketing
Departamento / Department
Departamento de Marketing, Operações e Gestão Geral
Ano letivo / Execution Year
2020/2021
Pré-requisitos / Pre-Requisites
·
Objetivos Gerais / Objectives
Pretende-se que os alunos, no final da unidade curricular, conheçam as principais técnicas de análise de dados não estruturados (text mining) e a sua aplicação à gestão com recurso ao estudo de casos reais e utilização de ferramentas aplicadas. Pretende-se ainda que os alunos desenvolvam e apliquem modelos de análise de informação em redes sociais para apoiar a tomada de decisão.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final do período curricular desta UC, o aluno deverá: OA1. Identificar e aplicar os conceitos e as tecnologias associadas à área de texto não estruturado e análise de redes sociais com vista a implementar soluções que possam auxiliar a tomada de decisão em contexto de gestão. OA2. Aplicar técnicas de text mining para melhor compreender e gerir problemas de negócio. OA3. Desenvolver a capacidade de estudo, de pesquisa pessoal e de comunicação em Text Mining.
Conteúdos Programáticos / Syllabus
CP1. Introdução ao Text Mining. CP2. Tokenization, Criação de Dicionários e Preparação do Corpus. CP3. Métodos de Agrupamento de Documentos e Termos. CP4. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão. CP5. Modelos de Classificação em Texto. CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão. CP7. Análise de Sentimentos. CP8. Aplicação de Casos de Análise de Sentimentos à Gestão.
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
Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: CP1 -> OA 1,3 CP2 -> OA 1,3 CP3 -> OA 1,3 CP4 -> OA 2,3 CP5 -> OA 1,3 CP6 -> OA 2,3 CP7 -> OA 1,3 CP8 -> OA 2,3
Avaliação / Assessment
1) Avaliação contínua: a) Teste individual (50%). (OA 1, 3). b) Trabalho de grupo (40%). (OA 1, 2, 3). c) Participação em aula (10%). Aprovação: a) mín. 7,5 valores em cada uma das provas; b) classificação final mín. 10 valores; e, c) assiduidade mínima de 2/3 das aulas. 2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores. 3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores. Escala: 0-20 valores.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Participativas, com análise de artigos científicos. ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório, com desenvolvimento e exploração de "modelos" em computador ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento das 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
Ao longo do período letivo, o aluno deverá adquirir e/ou desenvolver competências de análise e interpretação, assim como de comunicação escrita e oral. As principais ligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos são apresentados de seguida: ME1 -> OA 1, 2, 3 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 2, 3 ME5 -> OA 1, 2, 3
Observações / Observations
Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário.
Bibliografia Principal / Main Bibliography
Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page. Artigos científicos indicados pelo docente. Folhas de apoio às aulas elaboradas pelo docente.
Bibliografia Secundária / Secondary Bibliography
Weiss, Indurkhya, Zhang, Damerau (2005). Text Mining: Predictive Methods for Analyzing Unstructured Information. Springer Srivastava, A.N. and Sahami, M. (2009). Text Mining: Classification, Clustering, and Applications. Chapman & Hall/CRC. Feldman, R. and James Sanger, J. (2006). The Text Mining Handbookx\: Advanced Approaches in Analyzing Unstructured Data. Cambridge University Press.
Data da última atualização / Last Update Date
2024-02-16