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
2022/2023
Pré-requisitos / Pre-Requisites
Conhecimentos básicos de programação (R) 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 o R. OA4. Saber aplicar e interpretar uma análise e avaliação utilizando modelos de regressão ou classificação de dados usando o R OA5. Saber fazer uma análise de texto e sentimentos usando o R. 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 CP6. Modelação de exemplos de problemas na Gestão com R.
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 interligação entre os conteúdos programáticos( CP) e os objetivos de aprendizagem (OA) realiza-se da seguinte forma: OA1 - CP1 OA2 - CP2 OA3 - CP3 OA4 - CP4 OA5 - CP5 OA6 - CP6
Avaliação / Assessment
Época Normal: avaliação periódica, assiduidade min. 80% e participação em todos os instrumentos de avaliação. a) Projeto: 40%; b) teste escrito: 60%. Alunos que optem apenas por exame individual, ponderação 100%, nota min. 10. Época Recurso: para alunos que reprovem na época normal ou pretendam melhoria de nota, exame com ponderação de 100%, nota min. 10. Não há recurso a prova oral para melhoria de nota.
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 exercícios tipo com discussão e interpretação de resultados. As aulas práticas de laboratório estão orientadas para realização de ensaios com intrumentação e elementos de malha de controlo incluindo a realização de mini-projetos de laboratório.
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, complementada com a apresentação de exemplos de aplicação e a resolução de exercícios, proporcionará aos alunos os conhecimentos (saber saber) que estão subjacentes aos objetivos de aprendizagem (OA). A realização de exercícios visando a resolução de problemas reais, proporcionará aos alunos as cometências (saber-fazer) que estão subjacentes aos objetivos de aprendizagem (OA). Em todas as aulas da UC serão cultivados valores como o espírito crítico, a imaginação e a ética para conferir aos alunos os comportamentos (saber estar) adequados a um futuro profissional diplomado.
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
2024-02-16