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 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 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