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
2023/2024
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. Conhecer os diferentes formatos de dados. OA2. Conhecer o ciclo completo 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 analise de dados para 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 com exemplos CP4. O ciclo completo da análise de dados CP5. Dados e formato dos dados CP6. Preparação dos dados CP7. Probabilidades; Estatística Descritiva e Análise Exploratória CP8. Visualização dos dados CP9. Modelação e diferentes tipos de problemas de aprendizagem automática CP10. Métodos de avaliação de modelos CP11. Reporte e publicação dos 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: OA1 – CP3, CP5, CP6; OA2 – CP1, CP4; OA3 – CP2, CP7, CP8; OA4 – CP2, CP7, CP9, CP10; OA5 – CP2, CP5, CP6, CP7, CP8, CP9, CP10, CP11;
Avaliação / Assessment
A avaliação PERIÓDICA resulta de: exercícios em modalidade online, sem nota mínima, após cada aula (20%); dois testes individuais - um teste intercalar um outro no final do semestre (30%); e um trabalho em grupo (máximo de 3 alunos) em R com elaboração de um relatório e apresentação oral (50%). São aprovados os alunos que obtenham uma classificação final superior 9.5 valores.
Metodologias de Ensino / Teaching methodologies
O processo ensino-aprendizagem é baseado em aulas teórico-práticas onde é feita a exposição de 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. As 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
Torgo Luís; Data mining with R. ISBN: 978-1-4398-1018-7 C. O'Neil, R. Schutt. 'Doing Data Science: Straight Talk from the Frontline'. O'Reilly. 2013
Bibliografia Secundária / Secondary Bibliography
Wickham, Hadley, and Garrett Grolemund. 2017. R for Data Science. O?Reilly Media. Wilke, Claus O. 2019. Fundamentals of Data Visualization. O?Reilly Media. P. Mathur, Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. 2018. I. Foster, R. Ghani, R. S. Jarmin, F. Kreuter, J. Lane, Big Data and Social Science: A Practical Guide to Methods and Tools, 1st Edition. CRC Press, Chapman & Hall. 2016 T. W. Miller, Marketing Data Science: Modeling Techniques in Predictive Analytics with R and Python?. O'Reilly. 2015 M. N. Jones, Big Data in Cognitive Science (Frontiers of Cognitive Psychology), Taylor & Francis, 2016 F. Provost. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly. 2013 L. M. Chen, Z. Su, B. Jiang. Mathematical Problems in Data Science: Theoretical and Practical Method Aggarwal, C. C. 2015. Data mining: the textbook (Vol. 1). New York: Springer. Han, J., Pei, J., & Tong, H. 2022. Data mining: concepts and techniques. Morgan Kaufmann. 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
2024-02-16