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

2024/2025

Pré-requisitos / Pre-Requisites

-

Objetivos Gerais / Objectives

Caracterizar 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: Caracterizar 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 - Métodos de clustering na deteção de outliers - Aplicações com R CP4: Técnicas de clustering probabilístico: - O algoritmo EM - Modelos de mistura - 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

O conteúdo da unidade curricular está alinhado com os objetivos de aprendizagem, garantindo a compreensão e a aplicação prática de análise de dados não supervisionada utilizando R. O OA1 é alcançado através de uma introdução detalhada a vários métodos de aprendizagem não supervisionada (PC1), exploração aprofundada da Análise em Componentes Principais (PC2) e cobertura completa de técnicas de clustering não probabilísticas (PC3) e probabilísticas (PC4), juntamente com regras de associação (PC5). Cada tópico inclui conceitos principais, etapas metodológicas e exemplos concretos em R, apoiando diretamente o OA2 ao proporcionar experiência prática com o software. Além disso, o OA3 é abordado ao longo do currículo, ensinando os alunos a avaliar, validar e interpretar os resultados, com ênfase específica em exemplos e estudos de caso em R para cada método. Essa estrutura coesa garante que todos os objetivos de aprendizagem sejam atingidos através de componentes programáticos interligados.

Avaliação / Assessment

Os estudantes podem optar por Avaliação ao longo do semestre ou Exame Final. AVALIAÇÃO AO LONGO DO SEMESTRE: - 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

As metodologias de ensino e avaliação estão definidas para alinhar e apoiar os objetivos de aprendizagem especificados, garantindo uma experiência de aprendizagem abrangente. A ME1, que envolve ensino expositivo, apoia diretamente os OA1 e OA3, proporcionando aos alunos uma base teórica sólida e os referenciais necessários para entender a análise de dados não supervisionada e interpretar os resultados. A ME2, a componente experimental realizada no laboratório de informática, é perfeitamente adequada para alcançar o OA2, pois permite que os alunos ganhem experiência prática com o R, aplicando conceitos teóricos em tarefas práticas de análise de dados. A ME3, a metodologia ativa que envolve trabalho em equipa, está alinhada com todos os objetivos de aprendizagem (OA1, OA2, OA3). Esta facilita a aprendizagem colaborativa, onde os alunos podem melhorar a compreensão da análise de dados não supervisionada (OA1), aplicar o R em um ambiente de equipe (OA2) e, coletivamente, avaliar e interpretar os resultados (OA3). Este envolvimento ativo não só reforça a aprendizagem individual, mas também desenvolve competências de trabalho em equipa e comunicação, essenciais para a prática profissional. Finalmente, a TM4, que abrange o autoestudo, apoia todos os objetivos de aprendizagem (LG1, LG2, LG3) ao incentivar os alunos a se envolverem em trabalho autônomo. Esta componente permite que os alunos se aprofundem no material, pratiquem a análise de dados usando o R e aprimorem sua capacidade de avaliar e interpretar resultados de forma independente. O equilíbrio estruturado entre essas metodologias garante que os alunos não sejam apenas expostos ao conhecimento teórico, mas também ganhem experiência prática e desenvolvam habilidades de pensamento crítico por meio de atividades individuais e colaborativas. Esta abordagem abrangente garante que os objetivos de aprendizagem sejam efetivamente alcançados, preparando os alunos para aplicações do mundo real em análise de dados não supervisionada.

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

Bouveyron, C., G. Celeux, T. B. Murphy, A. E. Raftery (2019), Model-Based Clustering and Classification for Data Science: With Applications in R, 1st Edition, Cambridge University Press. 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

Nwanganga, F., Chapple, M. (2020), Practical Machine Learning in R, 1st Edition, Wiley. 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

2024-08-06