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

É recomendado que o aluno esteja familiarizado com os conteúdos programáticos de álgebra linear, cálculo diferencial, estatística e probabilidades básica, e que tenha capacidades de programação básica em Phyton.

Objetivos Gerais / Objectives

Esta UC tem como objetivo geral introduzir o aluno na teoria de grafos e na ciência de redes, incluindo nas suas linguagens. No final da UC, os alunos devem ser capazes de saber como utilizar grafos e redes na resolução de problemas que se encontram frequentemente, e de forma muito natural, no mundo real. Face ao tipo de conteúdos da UC, é usada a metodologia problem-based learning (PBL) como forma de desenvolver as capacidades e competências em ciência de redes. A resolução de problemas e outras atividades de aplicação dos conteúdos são, sempre que possível, contextualizadas em temas da transformação digital, o que potencia a aquisição de competências práticas.

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

OA1. Compreender a linguagem da teoria de grafos, e a correspondente em ciência de redes, bem como a emergência destas áreas científicas. OA2. Distinguir grafos de redes e os cenários de aplicação de cada uma das áreas científicas. OA3. Representar problemas na estrutura de grafo ou de rede. OA4. Avaliar de forma crítica a adopção de um modelo em rede, incluindo a partir de dados empíricos. OA5. Compreender as medidas a extrair de um modelo e as características dos nós/vértices e dos arcos/arestas. OA6. Executar pesquisas em grafos e em redes. OA7. Dar os primeiros passos em detecção, inferência e controlabilidade. OA8. Saber utilizar software para representação e visualização de redes. OA9. Relacionar a aprendizagem em grafos e redes com temas e problemas abordados em outras UCs.

Conteúdos Programáticos / Syllabus

Esta UC tem os seguintes conteúdos programáticos (CPs): CP1 Introdução: como as redes estão presentes em todo o lado CP2 Fundamentos e representação de grafos CP3 Caminhos e pesquisas em redes: Dijkstra e A* CP4 Medidas de centralidade e estrutura CP5 Distribuições e algoritmos CP6 Redes aleatórias CP7 Representação e visualização de redes usando Python e o software NetworkX CP8 Modelo mundos pequenos CP9 Redes livres de escala CP10 Adaptação de dados empíricos a modelos de rede CP11 Introdução às aplicações e tópicos avançados de redes complexas

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

Os conteúdos programáticos (CPs) estão relacionados com cada um dos objetivos de aprendizagem (OAs) da seguinte forma: OA1 - CP1, CP7, CP11 OA2 - CP2, CP4, CP5, CP7, CP10 OA3 - CP2, CP3, CP6 OA4 - CP4, CP5, CP7, CP10, CP11 OA5 - CP3, CP8, CP9 OA6 - CP4, CP5 OA7 - CP9 OA8 - CP6, CP11 OA9 - CP1, CP2, CP4, CP5, CP7, CP10, CP11

Avaliação / Assessment

Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 1 trabalho de projeto em Python realizado em grupo (50%) + 1 teste (40%) + atividades de trabalho autónomo (10%); todos os elementos de avaliação têm nota mínima de 7 valores (escala 1-20). - Avaliação por Exame (100%), em qualquer uma das épocas de exame.

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEAs): MEA1. Expositivas, para apresentação dos quadros teóricos de referência MEA2. Participativas, com análise de algoritmos e metodologias MEA3. Ativas, com realização de trabalho de grupo MEA4. Experimentais, em laboratório de informática, realizando análises sobre casos/problemas reais MEA5. Autoestudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Plano de Unidade Curricular (PUC) das 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-aprendizagem (MEAs) visam atingir os objetivos de aprendizagem (OAs) conforme indicado de seguida: MEA1 - de OA1 a OA9 MEA2 - de OA1 a OA9 MEA3 - de OA1 a OA9 MEA4 - de OA1 a OA9 MEA5 - de OA1 a OA9 Através do Plano de Unidade Curricular (PUC), elaborado em cada ano letivo, são estabelecidos os conteúdos programáticos para cada aula; no PUC são também pormenorizadas as estratégias metodológicas de ensino-aprendizagem escolhidas para atingir os OAs associados a esses CPs. É usada a metodologia problem-based learning (PBL) como forma de desenvolver capacidades intelectuais que são fundamentais a uma sólida formação profissional em tomada de decisão e trabalho colaborativo. Para fazer face ao número de horas de contacto, a metodologia de ensino-aprendizagem adotada inclui ferramentas e estratégias inovadoras de apoio à lecionação e ao trabalho autónomo do aluno. Também se enfatizou o apoio tutorial necessário.

Observações / Observations

As aulas são teórico-práticas (TP=15h) e laboratoriais (PL=21h) com programação em Python de exploração de conteúdos programáticos e elaboração de algoritmos. É aconselhado o número mínimo de 7 a 8 horas semanais em trabalho autónomo (MEA5) para consulta da bibliografia indicada, resolução de exercícios e problemas, exploração computacional em Python e revisão de conteúdos programáticos. A componente de trabalhos práticos computacionais, com caráter obrigatório na avaliação, permite uma consolidação de conhecimentos e aquisição de capacidades conforme os objetivos de aprendizagem traçados para a UC. É obtida uma melhor consolidação dos CPs da UC ao ser acautelado um número de horas de trabalho autónomo por parte do aluno, respeitando o ritmo da sua aprendizagem. Além disso, a equipa docente desenvolverá um esquema de acompanhamento regular a esse trabalho autónomo; esse esquema será baseado num diagnóstico inicial (através de um teste diagnóstico, por exemplo) que garante a sua eficácia, e será ajustado às necessidades individuais detetadas nos alunos (métodos de estudo inexistentes ou desadequados e ausência de certos conhecimentos e capacidades importantes como pré-requisito). São disponibilizados, pela equipa docente, materiais científico-pedagógicos (slides, notas de desenvolvimento, código e pseudo código, fichas de exercícios e problemas).

Bibliografia Principal / Main Bibliography

Maarten van Steen, Graph Theory and Complex Networks, 2010, 9081540610, Mark Newman, Networks, 2018, 978-0198805090,

Bibliografia Secundária / Secondary Bibliography

Menczer F., Fortunato S., Davis C.A., A first course in network science (Cambridge University Press), 2020, 978-1108471138, Sayama H., Introduction to the Modeling and Analysis of Complex Systems. Open SUNY Textbooks. Milne Library., 2015, null, Erwin Kreyszig, Advanced Engineering Mathematics, 2011, 978-0470458365,

Data da última atualização / Last Update Date

2024-02-16