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 o estudante para uma utilização avançada da linguagem de programação Python, que lhe 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 vetores 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 na contabilidade e fiscalidade
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 e suas aplicações na contabilidade e fiscalidade 3. Análise Estatística e Aprendizagem Automática CP8: Análise estatística e preditiva CP9: Introdução à Aprendizagem Automática: Estudo de caso
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. - OA56: Concretizado nos conteúdos programáticos CP8 e CP9, que consistem na preparação de dados e na criação e avaliação de modelos preditivos. - OA6: Concretizado nos conteúdos programáticos CP7.
Avaliação / Assessment
Esta unidade curricular está estruturada em aulas teórico-práticas. Além da assiduidade às aulas espera-se do aluno um tempo de trabalho autónomo para consulta da bibliografia, revisão de matéria dada, resolução de exercícios propostos e resposta a problemas para avaliação.
Metodologias de Ensino / Teaching methodologies
Esta unidade curricular está estruturada em aulas teórico-práticas. Além da assiduidade às aulas espera-se do aluno um tempo de trabalho autónomo para consulta da bibliografia, revisão de 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, OA4 e OA6). 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). 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). 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
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
2025-09-02