Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

460 - Matemática e estatística

Departamento / Department

Departamento de Tecnologias Digitais

Ano letivo / Execution Year

2022/2023

Pré-requisitos / Pre-Requisites

Não tem

Objetivos Gerais / Objectives

Esta Unidade Curricular visa desenvolver competências em extração de conhecimento a partir de dados através da aplicação de métodos analíticos de aprendizagem não supervisionada.

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 principais métodos de aprendizagem não supervisionada OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados OA3: Desenvolver um projeto de descoberta de conhecimento a partir de dados utilizando modelos de aprendizagem não supervisionada OA4: Tomar conhecimento com vários contextos de problemas (por exemplo, segmentação de clientes) nos quais a aprendizagem supervisionada pode efetivamente proporcionar soluções relevantes para esses problemas

Conteúdos Programáticos / Syllabus

CP1: Contextualização e relevância dos métodos de aprendizagem não supervisionada para resolução de problemas a partir de dados CP2: Abordagens para redução da dimensionalidade dos dados CP2.1.: Análise de componentes principais CP2.2.: Análise de componentes independentes CP2.3.: Decomposição em valores singulares CP2.4.: Factorização não negativa CP2.5.: Exemplos e aplicações em contextos organizacionais CP3: Clustering: CP3.1.: K-means CP3.2.: Expectation-maximization CP3.3.: Clustering hierárquico CP3.4.: Métodos partitivos CP3.5.: Mapas self-organizing CP3.6.: Validação de modelos de clustering e sua qualidade CP3.7.: Exemplos e aplicações em contextos organizacionais

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

São, de seguida, indicados através dos códigos referidos nos objetivos e no programa, quais são os elementos do programa que respondem a cada um dos objetivos: OA1: CP1 OA2: CP2; CP3 OA3: CP1; CP2; CP3 OA4: CP1; CP2; CP3

Avaliação / Assessment

Os alunos são avaliados a 100% por um projeto, nos seguintes moldes: -> 1ª Época: projeto realizado em grupos de alunos ao longo do semestre e acompanhado com aulas de tutorias (12 horas) (50%). Discussão individual na 1ª época de avaliação (50%). -> 2ª Época e Época especial: projeto individual

Metodologias de Ensino / Teaching methodologies

O processo de aprendizagem é essencialmente prático na medida em que os problemas são primeiramente apresentados e os alunos são sensibilizados para a importância da sua resolução. À medida que a aula flui, os conceitos teóricos são apresentados após se explicar como cada situação específica é endereçada. Desta forma, o ensino é guiado essencialmente pela prática.

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

Inicialmente, os alunos tomam contacto com problemas para os quais é necessário identificar dados que os caracterizam. É através desses problemas que os primeiros conceitos são expostos, devidamente elencando para soluções de aprendizagem não supervisionada (OA1). Posteriormente, em aulas de laboratório, os alunos desenvolvem modelos não supervisionados (OA2 e OA3). Durante essas aulas, os conceitos teóricos vão sendo gradualmente introduzidos, de forma a facilitar a conexão entre teoria e prática. Durante as aulas de laboratório, é apresentado o enunciado do projeto a ser desenvolvido em trabalho autónomo. O projeto é acompanhado por aulas de tutoria, num modelo em que o docente transmite o conhecimento ao mesmo tempo que assume o papel de "cliente" ao qual o projeto tem de ser entregue (OA3 e OA4).

Observações / Observations

-

Bibliografia Principal / Main Bibliography

Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer. Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature.

Bibliografia Secundária / Secondary Bibliography

Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda.

Data da última atualização / Last Update Date

2024-02-16