Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Investigação Operacional
Departamento / Department
Departamento de Métodos Quantitativos para Gestão e Economia
Ano letivo / Execution Year
2022/2023
Pré-requisitos / Pre-Requisites
Aprendizagem automática, R, estatística, optimização numérica
Objetivos Gerais / Objectives
O1. O paradigma Bayesiano O2. Aprendizagem Bayesiana O3. Aplicações na aprendizagem estatística
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1. Compreender os conceitos básicos da modelação Bayesiana OA2. Aplicar modelos de regressão, classificação e optimização Bayesiana no apoio à tomada de decisão OA3. Aplicar a abordagem Bayesiana na aprendizagem estatística
Conteúdos Programáticos / Syllabus
CP1. Teorema de Bayes e paradigma Bayesiano CP2. Modelação Bayesiana: Especificação, optimização, inferência CP3: Aplicações: Análises de regressão, factorial, clustering e longitudinal
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 (CP) com os objectivos de aprendizagem (OA), como a seguir se explicita: OA1: CP1 OA2: CP1, CP2 OA3: CP1, CP2, CP3
Avaliação / Assessment
Os estudantes podem optar por Avaliação Periódica ou Exame Final. AVALIAÇÃO PERIÓDICA: - trabalho de grupo com nota mínima de 8 valores (50%) - dois testes individuais com nota mínima 8 valores (25% cada um) A aprovação requer uma nota mínima de 10. AVALIAÇÃO POR EXAME A avaliação por exame, em qualquer uma das épocas legalmente determinadas, consiste numa prova escrita de peso 100%, sendo a nota mínima 10.
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 e resolução de exercícios de aplicação. ME3. Activas, com realização de trabalhos de grupo. ME4. Experimentais, 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
As metodologias de ensino-aprendizagem visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objectivos de aprendizagem. Na grelha a seguir, apresenta-se as principais interligações entre as metodologias de ensino-aprendizagem (ME) e os respectivos objectivos de aprendizagem (OA). ME1: OA1, OA2, OA3 ME2: OA2, OA3 ME3: OA2, OA3 ME4: OA2, OA3 ME5: OA2, OA3
Observações / Observations
Devido à actual 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
Códigos R Vários artigos científicos Slides aulas Reich, B. J., S. K. Ghosh (2019), Bayesian Statistical Methods, Boca Raton: Chapman and Hall/CRC Kruschke, J. K. (2015), Doing Bayesian Data Analysis: A Tutorial with R, JAGS, and Stan. Academic Press / Elsevier. McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and STAN (2nd ed.). CRC Press.
Bibliografia Secundária / Secondary Bibliography
Durr, O., B. Sick (2020), Probabilistic deep Learning, Manning Publications Co. Theodoridis, S. (2020),Machine Learning: A Bayesian and Optimization Perspective, Elsevier Ltd. Martin, O., R. Kumar, J. Lao (2022), Bayesian Modeling and Computation in Python, CRC Press. Levy, R., Mislevy, R. J. (2016), Bayesian Psychometric Modeling, 1st Edition. Boca Raton: Chapman and Hall/CRC Heard, N. (2021), An Introduction to Bayesian Inference, Methods and Computation, Berlin: Springer Cham. Depaoli, S. (2021). Bayesian structural equation modeling. The Guilford Press. Albert, J., H. Jingchen (2020), Probability and Bayesian Modeling, Boca Raton: CRC Press/Taylor & Francis Group.
Data da última atualização / Last Update Date
2024-02-16