Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciência de Dados

Departamento / Department

ISCTE

Ano letivo / Execution Year

2021/2022

Pré-requisitos / Pre-Requisites

-

Objetivos Gerais / Objectives

Compreender e aplicar os métodos analíticos não supervisionados a problemas reais.

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 métodos analíticos não supervisionados OA2: Utilizar R no contexto dos métodos não supervisionados OA3: Avaliar, validar e interpretar os resultados

Conteúdos Programáticos / Syllabus

CP1: Introdução aos métodos de aprendizagem não supervisionada CP2: Análise em componentes principais (ACP) - Principais conceitos e etapas - Aplicações com R CP3: Técnicas de clustering heurístico: - Métodos hierárquicos - Métodos partitivos - Aplicações com R CP4: Técnicas de clustering probabilístico: - O algoritmo EM - Modelos de mistura - Modelos com classes latentes - Aplicações com R CP5. Regras de associação - Frequência de items e regras de associação - Algoritmo Apriori - Aplicação com R

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

OA1 - Todos os CP OA2 - Todos os CP OA3 - Todos os CP

Avaliação / Assessment

Os estudantes podem optar por Avaliação Periódica ou Exame Final. AVALIAÇÃO PERIÓDICA: - trabalho de grupo com nota mínima de 8 valores (50%) - teste individual com nota mínima 8 valores (50%) A aprovação requer uma nota mínima de 10. EXAME: O Exame Final corresponde a um exame escrito. Os alunos devem obter uma nota mínima de 10 para passar.

Metodologias de Ensino / Teaching methodologies

A metodologia de ensino-aprendizagem (ME) inclui quatro componentes:? ME1: Expositiva, para apresentação dos quadros teóricos de referência ME2: Experimental, em laboratório de informática, efetuando análises de dados com R ME3: Ativa, mediante a realização de um trabalho de grupo ME4: Auto-estudo, relacionado com o trabalho autónomo do aluno, tal como consta no Planeamento de 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

ME1- OA1, OA3 ME2- OA2 ME3- OA1, OA2, OA3 ME4- OA1, OA2, OA3

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. - Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas, caso venha a ser necessário.

Bibliografia Principal / Main Bibliography

James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An introduction to statistical learning: with applications in R, New York: Springer. Hastie, T., Tibshirani, R., Friedman, J. (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education.

Bibliografia Secundária / Secondary Bibliography

Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers. McLachlan, G. J., Peel, D.(2000), Finite Mixture Models. New York: John Wiley & Sons. Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning. Jolliffe, I. (1986), Principal Component Analysis. New York: Springer-Verlag. Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC. Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press.

Data da última atualização / Last Update Date

2024-02-16