Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

Ciências e Tecnologias da Programação

Departamento / Department

Departamento de Ciências e Tecnologias da Informação

Ano letivo / Execution Year

2026/2027

Pré-requisitos / Pre-Requisites

É esperado que os alunos tenham alguns conhecimentos de programação (conhecer as estruturas de dados mais comuns) e que consigam escrever programas simples na linguagem Python. Domínio razoável da língua inglesa.

Objetivos Gerais / Objectives

O principal objetivo desta UC é capacitar estudantes para uma utilização avançada da linguagem de programação Python, que lhes permita analisar e visualizar um conjunto de dados e extrair daí conhecimento. Uma forte ênfase é dada ao desenvolvimento de competências através da utilização de vários casos de estudo, particularmente interessantes para as finanças, economia e ciências empresariais.

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

OA1: Fazer um programa em Python que utilize variáveis, estruturas de controlo, listas e dicionários OA2: Utilizar a biblioteca numpy para criar e manipular vectores e matrizes OA3: Importar um ficheiro e calcular estatísticas sobre os seus dados OA4: importar, preparar e visualizar dados graficamente OA5: Criar um modelo preditivo e testar uma predição OA6: Utilizar Power BI para visualização e análise de dados OA7: Utilizar ferramentas de inteligência artificial de forma responsável no contexto da unidade curricular

Conteúdos Programáticos / Syllabus

1. Introdução/Fundamentos CP1: Tipos, estruturas de dados, funções e objetos em Python CP2: Computação com arrays NumPy 2. Análise e Visualização de Dados CP3: leitura, representação e gravação de dados CP4: Biblioteca Pandas e as suas principais estruturas de dados CP5: Agregação de dados, operações de grupo e Pivot tables CP6: Visualização gráfica de dados com matplotlib e seaborn CP7: Introdução ao Power BI 3. Análise Estatística e Aprendizagem Automática CP8: Análise estatística e preditiva CP9: Introdução à Aprendizagem Automática: Estudo de caso 4. Utilização responsável de inteligência artificial CP10: Fundamentos de IA e IA Generativa CP11: Boas práticas, ética, e uso responsável

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes

A interligação entre os conteúdos programáticos e os objetivos de aprendizagem (OA) é a seguinte: - OA1 e OA2: Relacionados com os conteúdos programáticos CP1 e CP2. - OA3: Abordado nos conteúdos programáticos CP3-CP5, cujos exercícios associados envolvem a leitura, agregação, manipulação e análise de dados. - OA4: Concretizado nos conteúdos programáticos CP3-CP6. - OA5: Concretizado nos conteúdos programáticos CP8 e CP9, que consistem na preparação de dados e na criação e avaliação de modelos preditivos. - OA6: Concretizado no conteúdo programático CP7. - OA7: Concretizado nos conteúdos programáticos CP10 e CP11, que visam introduzir os conceitos relevantes e as boas práticas para uma utilização responsável e ética da inteligência artificial na análise de dados.

Avaliação / Assessment

Avaliação ao longo do semestre: Teste Intermédio (25%) + PROJETO (25%, individual) + Teste Final (50%, após o fim das aulas). Avaliação por exame: Teste individual (50%, cobrindo toda a matéria) + prova prática (50%, a realizar em computador). A avaliação por exame ocorre sempre que o/a estudante optar por esta modalidade ou não tenha obtido nota positiva na avaliação ao longo do semestre. Pode ser realizada na 1ª época, 2ª época ou época especial (Artº 14 do RGACC). A nota final do PROJETO é fixada para cada estudante através de uma prova oral obrigatória e dependerá do código, documentação apresentada e do desempenho do aluno na oral. As perguntas dos testes podem envolver aspetos relativos ao trabalho. Nenhum dos componentes de avaliação requer uma nota mínima. O coordenador da unidade curricular pode determinar a realização de uma discussão oral complementar relativamente a qualquer elemento/instrumento de avaliação previsto na presente Ficha de Unidade Curricular, sempre que tal se revele necessário para confirmar a aquisição dos conhecimentos e competências avaliados, ou esclarecer discrepâncias entre diferentes elementos de avaliação. A discussão oral complementar não constitui um instrumento autónomo de avaliação, não tem ponderação própria na classificação final da unidade curricular e destina-se exclusivamente à validação da classificação do respetivo elemento/instrumento de avaliação. A classificação anteriormente atribuída a esse elemento/instrumento tem natureza provisória até à realização da discussão oral complementar, podendo ser confirmada ou revista em função da validação realizada e dos critérios de avaliação aplicáveis. A convocatória para a discussão oral complementar será comunicada ao/à estudante com antecedência mínima de 24 horas, indicando a data e a hora de realização. A não comparência, sem justificação atendível, implica a impossibilidade de validação do respetivo elemento/instrumento de avaliação, aplicando-se as consequências previstas para a sua não realização ou desistência. Ainda que a utilização responsável de ferramentas de inteligência artificial seja permitida (e até encorajada) durante o semestre, não é permitida qualquer utilização de ferramentas de inteligência artificial durante qualquer elemento/instrumento/processo de avaliação. A infração derivada da utilização deste tipo de ferramentas ou de qualquer outra técnica de plágio ou fraude durante a avaliação resultará na anulação da respetiva avaliação e na comunicação da ação do/a estudante ao Conselho Pedagógico.

Metodologias de Ensino / Teaching methodologies

Esta unidade curricular está estruturada em aulas teórico-práticas, centradas na interseção entre a explicação de conceitos teóricos e exercícios práticos para a aplicação concreta desses conceitos, num ambiente de resolução de problemas e casos práticos. É também integrada a utilização de inteligência artificial durante a unidade curricular para promover não só a capacitação de estudantes neste tipo de ferramentas, mas também no uso responsável e ético desta tecnologia no contexto da análise e visualização de dados. Além da assiduidade às aulas espera-se dos/as estudantes um tempo de trabalho autónomo para consulta da bibliografia, revisão da matéria dada, resolução de exercícios propostos e resposta a problemas para avaliação.

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, que incluem aulas teórico-práticas e trabalho autónomo, estão diretamente alinhadas com os objetivos de aprendizagem. As aulas teórico-práticas fornecem a base teórica e a oportunidade de aplicar conhecimentos em exercícios práticos, essencial para alcançar objetivos, tais como desenvolver programas em Python (OA1), utilizar a biblioteca NumPy (OA2) e importar e visualizar dados (OA3 e OA4). O trabalho autónomo, através da consulta da bibliografia, revisão da matéria e resolução de exercícios, reforça a compreensão dos conceitos e prepara os alunos para problemas mais complexos, tais como criar e testar modelos preditivos (OA5) e dashboards analíticos (OA6). A avaliação ao longo do semestre, composta por teste intermédio, projeto e teste final, e a avaliação por exame, que inclui um teste individual e uma prova prática, garantem que os alunos tenham uma compreensão abrangente e integrada dos conteúdos. O teste intermédio e o teste individual avaliam os conhecimentos básicos e intermédios (OA1 e OA2), enquanto que o projeto e a prova prática testam a aplicação de conceitos avançados, como a manipulação de dados e a criação de modelos preditivos (OA3, OA4 e OA5). A introdução dos/as estudantes à área da inteligência artificial e em particular à utilização destas ferramentas no contexto da unidade curricular reforça a necessidade de capacitar e incentivar ao uso responsável e ético da IA, para enfrentarem um mundo profissional onde vão estar acompanhados de super-inteligências (OA7). Desta forma, a combinação das metodologias de ensino e de avaliação assegura que os estudantes desenvolvem tanto a compreensão teórica quanto as competências práticas necessárias.

Observações / Observations

A utilização responsável de ferramentas de inteligência artificial é permitida (e incentivada) na unidade curricular, dada a importância e impacto que estas tecnologias têm (e terão) na sociedade atual. Exceptuando os momentos de avaliação, essa utilização de ferramentas de IA será introduzida e acompanhada pelo docente para promover as melhores práticas nesta área. Esta unidade curricular contribui para o ODS 4, Educação de Qualidade, através do desenvolvimento de competências de programação, literacia de dados e utilização crítica de tecnologias digitais. Contribui igualmente para o ODS 8, Trabalho Digno e Crescimento Económico, ao preparar os estudantes para contextos profissionais marcados pela transformação digital e pela utilização crescente de dados. A aplicação de programação, análise de dados e inteligência artificial à resolução de problemas económicos e empresariais está ainda alinhada com o ODS 9, Indústria, Inovação e Infraestruturas.

Bibliografia Principal / Main Bibliography

- Python Data Science Handbook: Essential Tools for Working with Data (1st ed.) (2016). Jake VanderPlas. O'Reilly Media, Inc. - Ciência Dos Dados Nas Organizações - Aplicações Em Python (2017), José Braga de Vasconcelos e Alexandre Barão, FCA Editora.

Bibliografia Secundária / Secondary Bibliography

Making Sense of Data I: A Practical Guide to Exploratory Data Analysis and Data Mining, Second Edition (2014). Glenn J. Myatt and Wayne P. Johnson. Published by John Wiley & Sons, Inc.

Data da última atualização / Last Update Date

2026-07-31