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

2024/2025

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 e fontes similares de dados não estruturados 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. OA4. Conhecer o contexto de NLP na Inteligência Artificial actual.

Conteúdos Programáticos / Syllabus

CP1. Introdução a Análise de Dados não Estruturados e ao Text Mining. CP2. Tokenization, Criação de Dicionários e Preparação do Corpus. CP3. Métodos de Agrupamento de Documentos e Termos. CP4. Modelos de Classificação em Texto. CP5. Aplicação de Casos de Agrupamento de Documentos e Termos à Gestão. CP6. Aplicação de Casos de Classificação de Texto Aplicados à Gestão: Análise de Sentimentos. CP7. Tópicos avançados de NLP.

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

Esta demonstração decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como se explicita: CP1 a CP4 -> OA 1,2 CP5 + CP6 -> OA 3 CP7 -> OA 4 Os OA 1 e 2, são concretizados pelos CP 1 a 4. Os estudantes vão ter a oportunidade de fortalecer conhecimentos e conceitos sobre análise de dados não estruturados de uma forma lata, e em particular de análise de texto, e refletir acerca das especificidades da análise de dados para estas estruturas de dados. Os CP 5 e 6 permitirão atingir o OA 3, ao possibilitarem aos estudantes ter contacto com projectos e aplicações reais de diferentes contextos de negócio. O OA 4 concretiza-se pelo CP 7. Neste conteúdo, pretende-se alargar o conhecimento dos estudantes com tópicos que ligam os actuais modelos de deep learning ao tratamento de dados não estruturados, em particular em sistemas de inteligência artificial (tópicos sobre Deep Neural Networks, Pre-trained Language Models, Foundation Models, etc).

Avaliação / Assessment

1) Avaliação ao longo do semestre: a) Teste individual (50%). b) Trabalho de grupo 1 - Ferramentas (Imagens, Vídeo, Som, ou Texto) (15%). c) Trabalho de grupo 2 - Aplicação/Projecto (Imagens, Vídeo, Som, ou Texto) (25%). d) Participação em aula (10%). Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; b) classificação final mín. 10 valores. 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 trabalhos de grupo. ME4. Demonstrativas, em laboratório, com desenvolvimento e exploração de modelos em computador e aprendizagem baseada em projetos. 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, 4. Permitindo a aquisição de conhecimentos, conceitos e contextos teóricos de referência. ME2 -> OA 2, 3, 4. Fomentando o aprofundamento e análise crítica dos conceitos de Processamento de Linguagem Natural (NLP). ME3 -> OA 2, 3. Para desenvolvimento de capacidades de gestão de projecto e comunicação com dados. ME4 -> OA 2, 3. Para enriquecimento, consolidação e aplicação prática de conhecimentos, assim como o treino de competências técnicas específicas no âmbito de NLP. ME5 -> OA 1, 2, 3, 4. Para estimular a pesquisa autónoma dentro da área de NLP.

Observações / Observations

Bibliografia Principal / Main Bibliography

Paaß and Giesselbach (2023). Foundation Models for Natural Language Processing. Springer. Filipowska and Filipiak (2020). Big Data Management and Analytics - Introduction to Text Analytics. Springer. Struhl, S. (2015). Practical Text Analytics: Interpreting Text and Unstructured Data for Business Intelligence (Marketing Science Series). Kogan Page.

Bibliografia Secundária / Secondary Bibliography

Liu, Lin, Sun (2023). Representation Learning for Natural Language Processing. Springer. 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

2024-07-30