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

2024/2025

Pré-requisitos / Pre-Requisites

Conhecimentos básicos de álgebra e de probabilidades. Conhecimentos básicos de programação e estruturas de dados.

Objetivos Gerais / Objectives

O objetivo desta unidade curricular é apresentar aos estudantes uma introdução aos diferentes passos na análise de dados de um projecto de Ciência dos Dados.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

Após frequência bem sucedida na unidade curricular, os estudantes deverão ser capazes de: OA1. Conhecerem e ficarem familiarizados com diferentes formatos de dados. OA2. Conhecer um ciclo completo de análise dos dados. OA3. Saber fazer uma analise exploratória de dados usando o R. OA4. Saber modelar um conjunto de dados. OA5. Implementar uma solução de análise de dados com vista ao estudo de um determinado problema.

Conteúdos Programáticos / Syllabus

CP1. Introdução à análise de dados CP2. Introdução ao R e RStudio CP3. Conhecimento dos problemas em análise de dados, exemplos de aplicação CP4. O ciclo completo da análise de dados CP5. Dados e formatos dos dados CP6. Preparação dos dados CP7. Probabilidades; estatística descritiva de dados e análise exploratória de dados CP8. Visualização dos dados CP9. Modelação e aprendizagem automática de modelos de dados CP10. Métodos de avaliação dos modelos CP11. Reporte e publicação de resultados

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

A interligação entre os conteúdos programáticos( CP) e os objetivos de aprendizagem (OA) realiza-se da seguinte forma: os conteúdos CP3, CP5 e CP6 orientam-se para o OA1, lidar com dados e prepara-los para um estudo. Os conteúdos CP1, CP4 orientam-se para o objetivo OA2, perceber um estudo com dados e o seu ciclode análise. Os conteúdos CP2, CP7, CP8 orientam-se para o objetivo OA3, saber entender os dados. Os objetivos CP2, CP7, CP9, CP10 orientam-se para o objetivo OA4, obter um modelo qualificado dos dados. Finalmente os objetivos CP2, CP5, CP6, CP7, CP8, CP9, CP10, CP11 em conjunto orientam-se para o objectivo OA5, a implementação efetiva de um estudo e uma solução.

Avaliação / Assessment

A avaliação na modalidade 'ao longo do semestre' resulta da efetivação de dois testes individuais : um teste intercalar e um outro no final do semestre (20% cada um) , e um trabalho em grupo (máximo de 3 alunos) com elaboração de dois relatórios (20% cada um) e uma apresentação oral (20%) a efetuar pelo grupo e esta com classificação individual. É exigida uma assiduidade mínima não inferior a 2/3 das aulas (os alunos podem faltar 4 aulas em 12). O Exame Final é um exame escrito, individual, sem consulta, com toda a matéria. Realiza exame final, na época 1, 2 ou especial, quem não tenha concluído com sucesso a avaliação ao longo do semestre, com uma nota média superior ou igual a 10 (em 20).

Metodologias de Ensino / Teaching methodologies

O processo ensino-aprendizagem é baseado em aulas teórico-práticas onde é feita a exposição dos conceitos e metodologias, são apresentados exemplos de aplicação, e são resolvidos, em simultaneo com a exposição em aula, exercícios tipo com discussão e interpretação de resultados na plataforma R. A componente prática das aulas é orientada para realização de pesquisa e exploração dos problemas e de elementos para a sua resolução, incluindo a realização de mini-ensaios com o fito da realização final de modelos de análise, visualização dos dados e conclusões relevantes e pertinentes sobre o resultado dessas análises com o fito à elaboração de uma exposição clara, objectiva, concisa e publicável de todo o trabalho.

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

A apresentação teórica de conceitos e metodologias, que simultaneamente é complementada com a apresentação de exemplos de aplicação e a resolução de exercícios, proporcionará aos alunos os conhecimentos (saber-saber) que estão subjacentes à generalidade dos objetivos de aprendizagem, mas sobretudo OA1 e OA2. A realização de exercícios visando a resolução de problemas reais, proporcionará aos alunos as competências (saber-fazer) que estão subjacentes aos objetivos de aprendizagem OA3 a OA5. Neste processo, e em todas as aulas da UC, serão cultivados valores como o espírito crítico, a imaginação e o raciocínio lógico e matemático, para conferir aos alunos as capacidades para analisar, avaliar e criar soluções para problemas com dados e reais que vão surgir no seu quotidiano profissional. Valores como a ética (privacidade e segurança dos dados), noções de partilha de informação e coletivo, também serão cultivados no sentido assinalar aos alunos comportamentos (saber estar) adequados a um futuro profissional diplomado.

Observações / Observations

-

Bibliografia Principal / Main Bibliography

Hadley Wickham, Mine Çetinkaya-Rundel, Garrett Grolemund, 'R for Data Science', 2nd Edition, O'Reilly Media, Inc. 2023. Cole Nussbaumer Knaflic, 'Storytelling with data: a data visualization guide for business professionals', John Wiley & Sons, Inc., 2015.

Bibliografia Secundária / Secondary Bibliography

Torgo, Luis. 'Data mining with R: learning with case studies' (2nd Edition), chapman and hall/CRC, 2016. C. O'Neil, R. Schutt. 'Doing Data Science: Straight Talk from the Frontline', O'Reilly, 2013. T. W. Miller, 'Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?' O'Reilly, 2015. Aggarwal, C. C. , 'Data mining: the textbook' (Vol. 1), Springer, 2015. Han, J., Pei, J., & Tong, H. 'Data mining: concepts and techniques', Morgan Kaufmann, 2022. P. Tattar, T. Ojeda, S. P. Murphy B. Bengfort, A. Dasgupta, 'Practical Data Science Cookbook', Second Edition, Packt Publishing, 2017.

Data da última atualização / Last Update Date

2024-09-06