Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciências e Tecnologias da Informação

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2024/2025

Pré-requisitos / Pre-Requisites

Conhecimentos básicos em Ciência de Dados, Data Mining e utilização da linguagem de programação Python.

Objetivos Gerais / Objectives

Os estudantes estarão aptos a desenvolver um projeto em Sistemas Integrados de Apoio à Decisão em ambiente empresarial ou académico, identificando as necessidades e manipulando os dados por forma a obter o conhecimento e resultados pretendidos para a tomada de decisão. Dá-se preferência ao acolhimento direto por parte das empresas ou unidades de investigação em projetos com dados reais.

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

Os estudantes saberão desenvolver um projecto integrado com todas as suas componentes, desde o planeamento, concepção e implementação. OA1 - Identificar as necessidades analíticas do projeto (compreensão do negócio) OA2 - Identificar as variáveis que conduzem ao conhecimento necessário OA3 - Tratar os dados com técnicas e ferramentas apropriadas para se atingir os objetivos propostos OA4 - Produzir em documento adequado a correta divulgação dos resultados obtidos, explicando as decisões de implementação do projeto OA5 - Lidar com o problema da privacidade, acesso e qualidade dos dados OA6 - Desenvolver um pensamento crítico na exploração, análise e comunicação de dados para a tomada de decisão OA7 - Conceber modelos de data mining com dados reais

Conteúdos Programáticos / Syllabus

CP1 - Divulgação e seleção de projetos aplicados em Sistemas Integrados de Apoio à Decisão CP2 - Revisão da metodologia de desenvolvimento de projetos de Data Mining (CRISP-DM) CP3 - Desenvolvimento do projeto com técnicas e ferramentas apropriadas a cada projeto CP4 - Templates de divulgação de resultados obtidos CP5 - Questões de privacidade, acesso e qualidade de dados CP6 - Escrita de artigo científico

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 estão alinhados com os objectivos de aprendizagem (OA) da UC através das seguintes dependências: OA1: Identificar as necessidades analíticas do projeto (compreensão do negócio) - CP1 e 2 OA2: Identificar as variáveis que conduzem ao conhecimento necessário - CP2 e 3 OA3: Tratar os dados com técnicas e ferramentas apropriadas para se atingir os objetivos propostos - CP2, 3 e 5 OA4: Produzir em documento adequado a correta divulgação dos resultados obtidos, explicando as decisões de implementação do projeto - CP2, 3, 4, 5 e 6 OA5: Lidar com o problema da privacidade, acesso e qualidade dos dados - CP5 OA6: Desenvolver um pensamento crítico na exploração, análise e comunicação de dados para a tomada de decisão - CP3, 5 e 6 OA7: Conceber modelos de data mining com dados reais - CP2, 3 e 5

Avaliação / Assessment

A UC não tem a modalidade de avaliação por exame dado a sua natureza de projeto aplicado a situações reais. A avaliação ao longo do semestre é composta pelas seguintes componentes de avaliação do trabalho prático/ projeto: - três entregas intercalares apresentados em aula (em grupo, com nota individual) - 15% (3*5%) - relatório final em formato de artigo (em grupo, com nota individual) - 50% - apresentação e discussão do projeto (em grupo, com nota individual): 35% Os projetos podem ser realizados individualmente ou em grupo (de 3 a 4 elementos). Nota mínima de 10 valores no relatório final e na apresentação e discussão do projeto. O trabalho final deverá ser entregue no início da época de avaliações. As apresentações dos projetos são realizadas com cada grupo durante o período de avaliação. É obrigatória a presença de todos os elementos do grupo na apresentação final do projeto prático. A avaliação em época especial de um aluno inclui as seguintes componentes: - relatório final em formato de artigo do projeto individual: 50% - apresentação e discussão do projeto individual: 50%

Metodologias de Ensino / Teaching methodologies

O processo de ensino-aprendizagem inclui quatro metodologias (ME): ME1: Expositivas, para apresentação do enquadramento teórico de revisão de CRISP-DM e escrita de artigos científicos ME2: Demonstrativa ou experimental, para o desenvolvimento do projeto prático em regime de tutoria ME3: Participativa, para a discussão crítica de casos de estudo e do desenvolvimento dos projetos em regime de tutoria ME4: Auto-estudo, relacionadas com o trabalho autónomo do aluno, segundo as necessidades do projeto, com o apoio do coordenador da UC

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

Os resultados de aprendizagem são alcançados através de uma combinação de aulas expositivas, tutoria de apoio ao desenvolvimento do projeto e estudo individual. As aulas expositivas são orientadas para a revisão do processo de desenvolvimento de projetos de Data Mining com CRISP-DM e para a explicação dos templates de resultados e escrita de artigos científicos. O projeto realizado em grupo ou individualmente permite aos alunos aplicarem os conceitos teóricos lecionados num contexto específico. As aulas de apoio ao desenvolvimento do projeto prático oferecem uma oportunidade para os alunos explicarem as suas decisões e refletirem sobre a aplicação dos conceitos lecionados, obtendo feedback formativo. A apresentação e discussão final do projeto permite aos alunos desenvolverem competências de comunicação e de refleção crítica sobre a solução desenvolvida de acordo com as necessidades analíticas do projeto. O alinhamento entre os objetivos de aprendizagem (OA) e cada metodologia de ensino-aprendizagem definidas para a UC é realizado da seguinte forma: ME1: OA1, 2, 3, 4, 5, e 7 ME2: todos os OA ME3: OA2, 3, 4, 5, 6 e 7 ME4: todos os OA

Observações / Observations

Bibliografia Principal / Main Bibliography

- Cady, F. (2017) The Data Science Handbook (1st Ed.). Wiley - Mckinney, W. (2017) Python for Data Analysis (2nd Ed.). O'Reilly Media - Albon, C. (2018) Machine Learning with Python Cookbook: Practical solutions from preprocessing to deep learning. O'Reilly Media - Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media - Nelson, D. (2020) Data Visualization in Python. Publisher: ‎ Independently - O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice. O'Reilly Media - OpenCV: Open Source Computer Vision Library. (https://opencv.org/) - TensorFlow: An Open Source Machine Learning Framework for Everyone. (https://www.tensorflow.org/) - Outra dependente dos temas específicos dos projectos práticos dos alunos.

Bibliografia Secundária / Secondary Bibliography

Provost, F. and Fawcett, T. (2013) Data Science for Business: What you need to know about data mining and data-analytic thinking. O'Reilly Media

Data da última atualização / Last Update Date

2024-08-12