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
-
Objetivos Gerais / Objectives
Apresentar aos alunos os principais desafios relacionados com Big Data em diferentes áreas da gestão.
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
P1. Big Data: Introdução, Desafios, Tendências e Aplicações ao Negócio P2. Características do Big Data: os V's do Big Data P3. As Tecnologias do Big Data P4. Análise de Streams e Modelos Analíticos para Big Data P5. Casos de negócio com problemas e soluções analíticas de Big Data
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
Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CP) com os objetivos de aprendizagem (OA), como a seguir se explicita: P1 -> OA 1 P2 -> OA 1, 3 P3 -> OA 2, 3 P4 -> OA 2, 3 P5 -> OA 1, 2, 3
Avaliação / Assessment
1. Avaliação periódica: a) Trabalho de grupo com apresentação (50%). (OA 2, 3); b) Teste individual (50%). (OA 1, 3); A aprovação em avaliação periódica 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.
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-aprendizagemvisam o desenvolvimento das principaiscompetências de aprendizagem dos alunosque permitam cumprir com cada um dosobjetivos de aprendizagem, pelo que, nagrelha a seguir, apresentam-se as principaisinterligações entre as metodologias deensino-aprendizagem e os respetivosobjetivos. ME1 -> OA 1, 2, 3 ME2 -> OA 2, 3 ME3 -> OA 2, 3 ME4 -> OA 2 ME5 -> 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 softwares/plataformas digitais ou não.
Bibliografia Principal / Main Bibliography
Bahga, A. & Madisetti, V. (2016). Big Data Science & Analytics: A Hands-On Approach. VPT. Li, K. C., Jiang, H., Yang, L. T., & Cuzzocrea, A. (2015). Big data: Algorithms, analytics, and applications. CRC Press. Leskovec, J., Rajaraman, A. & Ullman, J.D. (2020). Mining of Massive Datasets. 3rd Edition, 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 Edition, Springer International Publishing. Marz, N. & Warren, J. (2015). Big Data: Principles and best practices of scalable realtime data systems. Manning Publications. Ragsdale, C. (2015). Spreadsheet Modeling & Decision Analysis: A practical introduction to business analytics. 7th Edition, Cengage Learning. Ryza, S., Laserson, U., Owen, S., & Wills, J. (2015). Advanced Analytics with Spark: Patterns for Learning from Data at Scale. O'Reilly Media.
Data da última atualização / Last Update Date
2024-02-16