Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Estatística e Análise de Dados

Departamento / Department

Departamento de Métodos Quantitativos para Gestão e Economia

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Conhecimentos de estatística descritiva e inferencial. Conhecimentos de IBM SPSS Modeler.

Objetivos Gerais / Objectives

Familarizar os alunos com as principais técnicas de regressão e classificação, focadas em aplicações de gestão

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

OA1. Descrever e demonstrar a aplicação de técnicas de classificação: árvores de decisão, regras proposicionais e redes neuronais OA2. Descrever e demonstrar a aplicação de técnicas de regressão: regressão linear, árvores de decisão e redes neuronais OA3. Aplicar, em plataformas analíticas, técnicas de classificação e regressão para resolver problemas reais de negócio

Conteúdos Programáticos / Syllabus

P1. Técnicas de classificação P1.1. Árvores de decisão e regras proposicionais P1.2 Redes neuronais: algoritmo backpropagation P1.3 Outros algoritmos para classificação P2. Técnicas de regressão P2.1. Regressão linear P2.2. Árvores de decisão P2.3 Redes neuronais: algoritmo backpropagation P2.4. Outros algoritmos para regressão P3. Aplicações de classificação e regressão em dados reais: utilização do software IBM SPSS Modeler e IBM SPSS Statistics; ou outro

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 de coerência decorre da interligação dos conteúdos programáticos (P) com os objetivos de aprendizagem (OA), como a seguir se explicita: De facto, os OA 1 e OA 2, que visam descrever e exemplificar diferentes técnicas de análise supervisionada, traduzem-se nos respetivos conteúdos programáticos P1 (técnicas de classificação) e P2 (técnicas de regressão), sendo avaliados essencialmente através de um teste escrito. Já o conteúdo P3 contempla a utilização prática dos dois tipos de técnica, recorrendo a plataformas de analytics (e.g., SPSS Modeler, Knime, SAS) para resolver problemas reais de negócio, levando à concretização do OA 3 e reforçando os OA 1 e OA 2, e sendo avaliado, essencialmente, através de um projeto aplicado. P1 -> OA 1 P2 -> OA 2 P3 -> OA 1, 2, 3

Avaliação / Assessment

1) Avaliação ao longo do semestre: a) Teste individual (50%) - OA 1, 2. b) Trabalho de projeto aplicado em grupo com apresentação digital (50%) e possível discussão - OA 1, 2, 3 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 (todas as épocas): Trabalho de projeto aplicado individual, a realizar numa semana, com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambos. Escala: 0-20 valores.

Metodologias de Ensino / Teaching methodologies

São utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com discussão de aplicações reais ME3. Ativas, com realização de trabalho de grupo ME4. Autoestudo, 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

As metodologias de ensino-aprendizagem (ME) visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem OA). Nas aulas teórico-práticas apresentam-se conceitos e explicam-se e demonstram-se as técnicas preditivas de classificação e regressão (ME 1), promovendo-se a discussão sobre soluções/desafios para os casos de uso analisados (ME 2) e incentivando-se o autoestudo (ME 4), nomeadamente, com a leitura de livros/manuais técnicos e artigos científicos e da visualização de vídeos e tutoriais, levando à concretização dos OA 1 e OA 2, avaliados com um teste escrito. Com a realização do projeto aplicado em grupo (ME 3) e com o autoestudo (ME 4) os estudantes apresentam soluções, baseadas em dados, para o problema de negócio proposto (usualmente por empresas) para o projeto, levando à concretização do OA 3 (e reforçando os OA 1 e OA 2), e sendo a avaliação baseada num projeto aplicado. ME1 -> OA 1, 2 ME2 -> OA 1, 2 ME3 -> OA 1, 2, 3 ME4 -> OA 1, 2, 3

Observações / Observations

- Os alunos abrangidos pelo Regulamento Interno para Estudantes com Estatutos Especiais deverão contactar com o docente da UC, ou com o Coordenador da mesma, na primeira semana de aulas de cada semestre, com vista ao enquadramento dos processos de aprendizagem e avaliação na UC. - As frequências e os exames serão realizados presencialmente, quer se utilizem software/plataformas digitais ou não.

Bibliografia Principal / Main Bibliography

Larose, D. & Larose, C. (2015). Data Mining and Predictive Analytics (Wiley Series on Methods and Applications in Data Mining), 2nd edition, Wiley. ISBN: 978-1-118-11619-7. Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books. ISBN: 978-1471018046. Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe. ISBN: 978-1838058104. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer. ISBN: 978-3030543372. Witten, I., Frank, E., Hall, M. & Pal, C. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 4th edition, Morgan Kaufmann. ISBN: 978-0128042915.

Bibliografia Secundária / Secondary Bibliography

Gama, J., Carvalho, A., Faceli, K., Lorena, A., & Oliveira, M. (2012). Extração de Conhecimento de Dados: Data Mining, Edições Sílabo. Hair, J.F., Black, W.C., Babin, B.J. & Anderson, R.E. (2010). Multivariate Data Analysis, 7th edition, Prentice Hall. Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., & Tibshirani, R. (2009). The Elements of Statistical Learning, Vol. 2, Springer. Laureano, R. (2020). Testes de Hipóteses e Regressão: o Meu Manual de Consulta Rápida, Edições Sílabo. McCormick, K., Abbott, D., Brown, M., Khabaza. T., & Mutchler, S. (2013). IBM SPSS Modeler Cookbook, Packt Rocha, M., Cortez, P. & Neves, J. (2008). Análise Inteligente de Dados - Algoritmos e Implementação em Java, FCA. Salcedo, J. & McCormick, K. (2017). IBM SPSS Modeler Essentials: Effective techniques for building powerful data mining and predictive analytics solutions, Packt. Santos, M. & Ramos, I. (2009). Business Intelligence: Tecnologias da Informação na Gestão de Conhecimento, 2ª Edição, FCA. Vasconcelos, J., & Barão, A. (2017). Ciência dos Dados nas Organizações: Aplicações em Python, FCA.

Data da última atualização / Last Update Date

2024-07-26