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

Ano letivo / Execution Year

2026/2027

Pré-requisitos / Pre-Requisites

--

Objetivos Gerais / Objectives

Esta unidade curricular tem como objetivo proporcionar aos alunos uma compreensão abrangente da análise de Big Data, explorando os seus conceitos fundamentais, tendências emergentes e aplicações do mundo real. Pretende-se que os estudantes aprendam a caracterizar Big Data e adquiram experiência prática com tecnologias-chave. A uc explora modelos analíticos avançados — incluindo Inteligência Artificial, Machine Learning e Deep Learning — para processar e interpretar dados em grande escala. Através da análise de casos de negócios, os alunos desenvolverão a capacidade de projetar soluções baseadas em dados para problemas complexos, como deteção de fraudes, previsão de demanda e tomada de decisões em tempo real.

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

OA1. Perceber o que é Big Data e as suas principais implicações para as organizações OA2. Aplicar modelos analíticos em Big Data OA3. Avaliar soluções analíticas de Big Data

Conteúdos Programáticos / Syllabus

CP1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio CP2. Características do Big Data: os V's do Big Data CP3. As Tecnologias do Big Data: Ecossistema Hadoop. HDFS, Map-reduce e Spark. Utilização de plataforma de analytics (e.g. KNIME) CP4. Análise de Streams e Modelos Analíticos para Big Data. Inteligência Artificial, Machine Learning e Deep Learning. Algoritmos de Deep Learning (FNN, Autoencoder, RNN, LSTM, CNN) CP5. Casos de negócio com problemas e soluções analíticas de Big Data (por exemplo, Detecção de Fraude, Previsão da Procura, Análise em Tempo Real,...)

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos com os objetivos de aprendizagem. O CP1 introduz os fundamentos de Big Data, abordando a OA1 ao explorar as suas implicações nos domínios da gestão. O CP2 aprofunda as principais características de Big Data, melhorando o OA1 ao aprofundar a compreensão e apoiando o OA3 ao permitir que os alunos avaliem estas características em vários contextos. O CP3 aborda as tecnologias de Big Data, capacitando os alunos para aplicar modelos analíticos (OA2) e avaliar diferentes soluções tecnológicas (OA3). O CP4 centra-se na análise de streams e na aplicação prática de modelos analíticos, estabelecendo uma ligação direta com os OA2 e OA3 ao permitir uma experiência prática na aplicação de modelos e na avaliação de soluções. Finalmente, o CP5 apresenta casos de negócios reais, integrando OA1, OA2 e OA3, demonstrando aplicações práticas de conceitos de Big Data, modelos analíticos e avaliação crítica de soluções.

Avaliação / Assessment

1. Avaliação ao longo do semestre: a) Trabalho de grupo com apresentação (e.g. KNIME (or other ) student challenge) (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3); A aprovação em avaliação ao longo do semestre exige: - presença em, pelo menos, 75% das aulas; - nota mínima de 7,5 valores para cada um dos elementos de avaliação;- classificação final mínima de 10 valores. 2. Avaliação por exame: Teste individual (50%) e Trabalho individual com apresentação (50%). A aprovação em avaliação por exame exige: - nota mínima de 10 valores para cada um dos elementos de avaliação; - classificação final mínima de 10 valores. Escala :0-20

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. Ativas, com realização de trabalhos 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

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 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 2 ME5 -> OA 1, 2, 3 Sempre que possível, é apresentado um seminário/workshop de aplicação por especialistas/empresas e recorre-se a um Students Challenge suportado por uma empresa (e.g., KNIME) que vai de encontro aos objetivos OA2 e OA3.

Observações / Observations

Utilização de ferramentas de IA: quando os estudantes utilizam ferramentas de IA para produzir conteúdo para os seus trabalhos, devem incluir uma nota identificando a ferramenta, os prompts utilizados e comentários/apreciações sobre a sua utilização.

Bibliografia Principal / Main Bibliography

Balusamy, B., Abirami, R., Kadry, S., & Gandomi, A. H. (2021). Big Data: Concepts, Technology and Architecture. Wiley. | Sedkaoui, S., Khelfaoui, M., & Kadi, N. (2022). Big Data Analytics: Harnessing Data for New Business Models. CRC Press. | Leskovec, J., Rajaraman, A., & Ullman, J. D. (2020). Mining of Massive Datasets. 3rd ed. Cambridge University Press. | Melcher, K., & Silipo, R. (2020). Codeless Deep Learning with KNIME. Packt Publishing.

Bibliografia Secundária / Secondary Bibliography

Berthold, M. R., Borgelt, C., Höppner, F., Klawonn, F., & Silipo, R. (2020). Guide to Intelligent Data Science: How to Intelligently Make Use of Real Data. 2nd ed. Springer International Publishing. | Khatri, T. (2025). Real-Time Big Data Analytics: Emerging Trends. Educohack Press. | Kumar, J., Kumar, A., & Kumar, R. (2024). Big Data and Analytics: The Key Concepts and Practical Applications of Big Data Analytics. BPB Publications.

Data da última atualização / Last Update Date

2026-05-28