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 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 estruturados e não estruturados e os modelos adequados para aplicação aos vários problemas associados à Gestão.
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 tipos de problemas analíticos para a Gestão. OA2. Identificar tipos de dados estruturados e não estruturados e como os recolher e tratar OA3. Saber aplicar e interpretar uma analise exploratória de segmentação de dados usando software. OA4. Saber aplicar e interpretar uma análise e avaliação utilizando modelos de regressão ou classificação de dados usando software. OA5. Saber fazer uma análise de texto e sentimentos usando software. OA6. Saber implementar as técnicas adequadas para cada tipo de problemas na Gestão.
Conteúdos Programáticos / Syllabus
CP1. Introdução aos principais problemas de análise de dados para a Gestão CP2. Tipos de Dados Estruturados e Não Estruturados. Recolha e Tratamento CP3. Modelos Exploratórios de Dados. Segmentação CP4. Modelos Preditivos. Técnicas de Regressão e de Classificação CP5. Análise de Texto e Sentimentos.
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 - CP1 (para que os estudantes possam conhecer os diferentes casos de uso analíticos num contexto de gestão) OA2 - CP2 (para que os estudantes possam reconhecer e compreender as diferentes tipologias de dados e as semelhanças e diferenças na abordagem ao seu tratamento) OA3 - CP3 (para que os estudantes possam conhecer as principais técnicas de segmentação, a sua aplicação e interpretação) OA4 - CP4 (para que os estudantes possam conhecer os fundamentos das principais técnicas preditivas, a sua aplicação e interpretação) OA5 - CP5 (para que os estudantes possam conhecer os fundamentos essenciais sobre análise de sentimentos num contexto de nlp) OA6 - CP1 a 5 (para que os estudantes possam ter um contacto alarcado com problemas de negócio que podem ser endereçados com análise de dados)
Avaliação / Assessment
1) Avaliação ao longo do semestre: - Teste individual (60%). - Trabalho de grupo (40%). Aprovação: a) mín. 7,5 valores em cada um dos elementos de avaliação; b) classificação final mín. 10 valores; c) É exigida uma assiduidade mínima não inferior a 3/4 das aulas. 2) Avaliação por exame (1ª época): teste escrito (100%), com classificação mínima 10 valores. 3) Avaliação por exame (2ª época): teste escrito (100%) com classificação mínima 10 valores. Escala: 0-20 valores.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência. ME2. Participativas, com análise de artigos científicos. ME3. Ativas, com realização de trabalhos de grupo. ME4. Demonstrativas, em laboratório, com desenvolvimento e exploração de modelos em computador e aprendizagem baseada em projetos. ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento 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
Ao longo do período letivo, o aluno deverá adquirir e/ou desenvolver competências de análise e interpretação, assim como de comunicação escrita e oral. As principais ligações entre as metodologias de ensino-aprendizagem (ME) e os respetivos objetivos (OA) são apresentados de seguida: ME1 -> OA1 a 5. Permitindo a aquisição de conhecimentos, conceitos e contextos teóricos de referência. ME2 -> OA2 a 6. Fomentando o aprofundamento e análise crítica dos conceitos analíticos. ME3 -> OA2 a 6. Para desenvolvimento de capacidades de gestão de projecto e comunicação com dados. ME4 -> OA2 a 6. Para enriquecimento, consolidação e aplicação prática de conhecimentos, assim como o treino de competências técnicas específicas no âmbito de aplicação analítica na gestão. ME5 -> OA1 a 6. Para estimular a pesquisa autónoma dentro das soluções analíticas para a gestão.
Observações / Observations
Bibliografia Principal / Main Bibliography
Torgo, L. (2011). Data mining with R: learning with case studies. Chapman and Hall/CRC.Crawley. Tattar, P., Ojeda, T., Murphy, S. P., Bengfort, B., & Dasgupta, A. (2017). Practical Data Science Cookbook. Packt Publishing Ltd.
Bibliografia Secundária / Secondary Bibliography
Provost, F., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. " O'Reilly Media, Inc.". Miller, T. W. (2015). Marketing data science: modeling techniques in predictive analytics with R and Python. FT Press. Mathur, P. (2018). Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail, and Finance. Apress. Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc. O'Neil, C., & Schutt, R. (2013). Doing data science: Straight talk from the frontline. " O'Reilly Media, Inc.".
Data da última atualização / Last Update Date
2025-02-07