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

2023/2024

Pré-requisitos / Pre-Requisites

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

Objetivos Gerais / Objectives

Apresentar aos alunos 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. Identificar variáveis e métricas relevantes para classificação e regressão e definir os objetivos da análise OA2. Técnicas de classificação: árvores de decisão, regras proposicionais e redes neuronais OA3. Técnicas de regressão: regressão linear, árvores de decisão e redes neuronais OA4. Aplicações das técnicas de classificação e regressão em dados reais

Conteúdos Programáticos / Syllabus

P1. Análise exploratória dos dados e métricas para classificação e regressão P2. Técnicas de classificação: P2.1. Árvores de decisão e regras proposicionais P2.2 Redes neuronais: algoritmo backpropagation P2.3 Outros algoritmos para classificação P3. Técnicas de regressão P3.1. Regressão linear P3.2. Árvores de decisão P3.3 Redes neuronais: algoritmo backpropagation P3.4. Outros algoritmos para regressão P4. 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: P1 -> OA1 P2 -> OA2 P3 -> OA3 P4 -> OA4

Avaliação / Assessment

1) Avaliação periódica: a) Teste individual (50%) (OA 1, 2, 3). b) Trabalho de grupo com apresentação digital (50%) e possível discussão (OA 4) 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): trabalho com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambas as provas. 3) Avaliação por exame (2ª época): trabalho com discussão e apresentação digital (50%) e teste escrito (50%), com classificação mínima 10 valores em ambas as provas. 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 discussão de aplicações reais ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. 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 visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2, 3, 4 ME2 -> OA 1, 2, 3, 4 ME3 -> OA 1, 2, 3, 4 ME4 -> OA 4, ME5 -> OA 1, 2, 3, 4

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. Lopez, C. (2022). Machine Learning. Supervised Learning with SPSS Modeler, Scientific Books. Quinn, J. (2020). The Insider' Guide to Predictive Analytics, Smart Vision Europe. Wendler, T. & Gröttrup, S. (2021). Data Mining with SPSS Modeler: Theory, Exercises and Solutions, 2nd edition, Springer Witten, I., Frank, E. & Hall, M. (2011). Data Mining: Practical Machine Learning Tools and Techniques, 3rd edition, Morgan Kaufmann.

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

2024-02-16