Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Ciência de Dados
Departamento / Department
ISCTE
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
Não aplicável.
Objetivos Gerais / Objectives
Utilizando uma abordagem maioritariamente prática, o curso pretende capacitar os formandos na aplicação dos conhecimentos adquiridos em diversos contextos profissionais, tornando-se agentes ativos na transformação digital de organizações e empresas.. Os formandos irão perceber quais os desafios que o estudo e utilização de dados origina e que tipos de problemas pode ajudar a resolver. Os formandos irão explorar o modo como os indivíduos e as organizações podem avaliar opções, tomar decisões e perceber o papel emergente da big data na orientação de decisões táticas e estratégicas e até que ponto devemos automatizar estes processos. A formação tem foco em aprender a fazer as perguntas apropriadas para apoio a decisões guiadas por dados, prepara dados, criar modelos de dados para responder às perguntas colocadas, interpretar os resultados e transmitir conclusões para vários públicos. A ênfase geral está nas contribuições práticas para as decisões a tomar.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Após a conclusão do curso, os formandos serão capazes de: OA1. Explicar os domínios e temas de aplicação da ciência de dados e quais os recursos necessários para analisar vários tipos de dados de modo a responder às questões que orientam a exploração. OA2. Definir conceitos como dados e informação, análise exploratória de dados, inferência estatística e modelação, aprendizagem automática e análise de dados n-dimensionais. OA3. Justificar a necessidade de pesquisa reprodutível, as questões éticas e regulamentares que se levantam para a tomada de decisão orientada por dados e a possibilidade de existência de enviesamentos. OA4. Explicar as técnicas subjacentes à visualização e comunicação de resultados.
Conteúdos Programáticos / Syllabus
Conteúdos programáticos (CP): CP1. Introdução à Ciência de Dados: principais conceitos e metodologias. CP2. Dados no suporte à decisão: privacidade, ética: dados pessoais, conduta de investigação e desafios éticos da Inteligência Artificial. CP3. Apresentação de estudos de caso que incluam o ciclo completo de dados, provenientes de diferentes áreas. CP4. Recolha e tratamento de dados não estruturados. CP5. Conceitos e técnicas para visualização de dados e perceção visual para comunicação de conhecimento. CP6. Técnicas básicas de preparação de dados estruturados. CP7. Construção de modelos de inferência a partir dos dados.
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
CP1 proporciona elementos a OA1, OA2, OA3, introduzindo os conceitos explicitados em OA2 e OA3 e os exemplos que ilustram OA1. CP2 proporciona elementos a OA1, OA3, OA4, explicitando as questões indicadas em OA3, realçando o papel dos conceitos em OA2 e a importância de OA4 neste contexto. CP3 proporciona elementos a todos os OA, escolhendo casos relevantes para os objetivos de aprendizagem. CP4 ilustra, complementa e consolida alguns dos dominínios OA1 e reforça OA3. CP5 proporciona elementos a OA1, OA2, OA4, não apenas pela ilustração prática de OA4, mas também reforçando a aprendizagem dos conceitos e competências indicadas em OA1 e OA2. CP6 proporciona elementos a OA1 e OA3 e ilustra, complementa e consolida alguns dos dominíos OA1 e reforça OA3. CP7 proporciona elementos a OA1, OA2 e OA3 através de experiências 'hands-on' com casos práticos reais.
Avaliação / Assessment
Devido ao facto de a UC ser maioritariamente de experimentação prática e pensamento crítico, a avaliação é realizada ao longo do semestre letivo e não existe a modalidade de avaliação por exame (100%). A nota final é calculada através da avaliação de: Mini-testes individuais realizados online (MT): 10%. Participação em foruns de discussão online (F): 20% Relatório do trabalho de projeto num estudo de caso realizado em grupo e discussão online (P): 70%. A avaliação da discussão oral de P determina avaliações individuais de cada estudante no grupo.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem: MEA1: Ilustrativas, para exemplificação dos conceitos teóricos em contexto. MEA2: Argumentativas, com apresentação e discussão do projeto e participação em fóruns e atividades colaborativas. MEA3: Participativas com participação em fóruns e atividades colaborativas. MEA4: Ativas, com realização do trabalho de projeto num estudo de caso e de pequenos exercícios durante a formação. MEA5: Experimentais, desenvolvendo e explorando casos práticos. MEA6: Autoestudo.
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
Os alunos irão tomar contato in loco com estudo de casos reais e desenvolvem um pequeno projeto de aplicação,, ao longo dao tempo do curso e com a ajuda e tutoria dda equipa docente, para assegurar a aquisição de todos os objetivos pretendidos.
Observações / Observations
"Students covered by the “Internal Regulations for Students with Special Status” should contact the UC coordinator ***within the first week of classes of the semester*** in order to learn about the learning and assessment processes in the UC. In the case of students who are able to enrol for a special period, it will be possible to carry out special work. To do this, students should contact the coordinator ***two to three weeks before the start of the special period*** ."
Bibliografia Principal / Main Bibliography
Cady, Field. The Data Science Handbook. Hoboken: John Wiley & Sons Inc., 2017. O’Neil, Cathy and Rachel Schutt. Doing Data Science, Straight Talk from the Frontline. O’Reilly Media, Inc., 2014. Provost, Foster and Tom Fawcett. Data Science for Business. Sebastopol: O’Reilly Media, Inc., 2013. Stanton, Jeffrey M. and Jeffrey M. Saltz. An Introduction to Data Science. New York: Sage Publishing Inc., 2017.
Bibliografia Secundária / Secondary Bibliography
Grus, Joel. Data Science from Scratch, First Principles with Python. Sebastopol: O’Reilly Media, Inc., 2015.
Data da última atualização / Last Update Date
2025-10-21