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
É recomendado que o aluno esteja familiarizado com os conteúdos programáticos de álgebra linear e estatística, e que tenha capacidades de programação básica em Phyton.
Objetivos Gerais / Objectives
O objetivo desta UC consiste em aprender e aplicar de forma correta os modelos de regressão linear simples, múltipla, polinomial e de regressão logística com o objetivo de ter um apoio quantitativo e fundamentado na tomada de decisão. O foco principal assenta sobre a parte de análise preditiva e de aprendizagem estatística, e também sobre as aplicações em problemas reais de várias áreas do saber.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
São objetivos de aprendizagem (OAs) desta UC: OA1. Entender a correlação entre variáveis, o modelo de regressão linear simples e múltipla. OA2. Compreender e aplicar métodos de estimação dos parâmetros (OLS-Ordinary Least Squares e ML-Maximum Likelihood). OA3. Saber analisar os pressupostos do modelo de regressão, testes de hipótese e diagnóstico. OA4. Entender as extensões do modelo de regressão linear: modelos não-lineares. OA5. Obter capacidades em previsão, desempenho da previsão e tomada de decisão. OA6. Aplicar regressão logística, classificação, matriz de confusão e curva ROC (Receiver Operating Characteristic) e QCA. OA7. Adquirir prática em programação básica e computação com Python. OA8. Aplicar os conceitos estudados para dados/casos reais.
Conteúdos Programáticos / Syllabus
CP1. Modelos de regressão: correlação e causalidade, regressão linear simples, regressão múltipla. Multicolinearidade CP2. Estimação e inferência, OLS (Ordinary Least Squares) e ML (Maximum Likelihood) CP3. Pressupostos dos resíduos: testes de hipótese e diagnóstico CP4. Regressão polinomial e com variáveis categóricas. Variável dummy CP5. Previsão (in-sample e out-of-sample). Conjuntos de treino e de teste. Métricas de avaliação da performance de previsão (RMSE-Root Mean Squared Error, MAPE-Mean Absolute Percentage Error, MAE-Mean Absolute Error). Análise preditiva CP6. Regressão logística. Problemas de classificação. Matriz de confiança e curva ROC (Receiver Operating Characteristic) CP7. Conjuntos difusos. QCA (Qualitative Comparative Analysis) em variáveis dicotómicas (csQCA) e em conjuntos difusos (fsQCA). QCA escalonada e temporal (mvQCA e tQCA) CP8. Outros modelos de estatística multivariada: análise em clusters, análise discriminante, componentes principais e Fuzzy clustering.
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 estruturados com uma base teórica e prática, que permite alcançar e garantir conhecimento que permite a tomada de decisão com base em modelos de regressão (para problemas de previsão e classificação). Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (CPs) com os objetivos de aprendizagem (OAs), como a seguir se explicita: OA1: CP1 OA2: CP2 OA3: CP3 OA4: CP4 OA5: CP5 OA6: CP6, CP7, CP8 OA7: de CP1 a CP8 OA8: de CP1 a CP8
Avaliação / Assessment
Aprovação com classificação não inferior a 10 valores (escala 1-20) numa das modalidades seguintes: - Avaliação periódica: 2 trabalhos práticos em Python (50%) + Discussão individual dos 2 trabalhos práticos (20%) + 3 mini-testes (30%), ou - Avaliação por Exame (65%), em qualquer uma das épocas de exame, onde um dos trabalhos práticos em Python (acima referidos) mantêm o peso de 35% (com a discussão). Todos os elementos de avaliação têm nota mínima de 8 valores (escala 1-20).
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: OA1, OA2, OA3, OA4, OA5, OA6 MEA2: OA2, OA3, OA4, OA5, OA6, OA7, OA8 MEA3: OA1, OA3, OA4, OA5, OA6, OA8 MEA4: OA1, OA3, OA4, OA5, OA6, OA8 MEA5: OA1, OA2, OA3, OA4, OA5, OA6 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. 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. Para fazer face ao número de horas de contacto, as MEAs adotadas incluem 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=18h) e laboratoriais (PL=18h) com programação em Python de exploração de conteúdos programáticos e elaboração de algoritmos. É aconselhado o número mínimo de 6 a 7 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 trabalho prático computacional, 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
Rogel-Salazar J. (2018). Data Science and Analytics with Python. Taylor & Francis Group. Hastie T., Tibshirani R., Friedman J. (2017). The elements of statistical learning: data mining, inference, and prediction. Springer. [electronic resource: https://web.stanford.edu/~hastie/Papers/ESLII.pdf ] Agresti A., Franklin C., Klingenberg B. (2018). Statistics: The Art and Science of Learning from Data, 4th Edition. Pearson.
Bibliografia Secundária / Secondary Bibliography
Albright S.C., and Winston W.L. (2019). Business Analytics: Data Analysis & Decision Making, 7th Edition. Cengage Learning.
Data da última atualização / Last Update Date
2024-02-16