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

2026/2027

Pré-requisitos / Pre-Requisites

O estudante deverá ter conhecimentos básicos de estatística.

Objetivos Gerais / Objectives

Esta Unidade Curricular (UC) foca-se no desenvolvimento de competências em aprendizagem automática não supervisionada. No final desta UC pretende-se que os estudantes estejam capacitados para extrair informação de conjuntos de dados em diversas áreas de aplicação, utilizando métodos de aprendizagem não supervisionada. Através de projetos práticos, serão abordados vários problemas da vida real, para os quais os estudantes irão analisar os dados e interpretar os resultados. Pretende-se, também, que os estudantes adquiram conhecimento em técnicas avançadas de modelação de algoritmos não supervisionados para segmentação e análise de padrões, bem como, regras de associação que possam vir a permitir a tomada de decisões. Adicionalmente, nesta UC os estudantes terão a oportunidade de aprender a avaliar e otimizar o desempenho destes modelos, aplicando-os em situações práticas da vida real.

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

OA1. Conhecer os principais métodos de aprendizagem não supervisionada OA2: Avaliar, validar e interpretar os resultados de modelos não supervisionados OA3: Desenvolver projetos partir de dados utilizando modelos de aprendizagem não supervisionada OA4. Aplicar os algoritmos não supervisionados em casos de estudo práticos OA5: Utilizar um software (R ou Python) no contexto dos métodos não supervisionados

Conteúdos Programáticos / Syllabus

CP1: Introdução aos métodos de aprendizagem não supervisionada: conceitos fundamentais, tipos de algoritmos e aplicações práticas; CP2: Análise em componentes principais (ACP): conceitos fundamentais, etapas e aplicações práticas; CP3: Técnicas de clustering: clustering hierárquico e clustering probabilístico, exploração de algoritmos e aplicações práticas; CP4: Regras de associação: frequência de items e regras de associação, algoritmo Apriori e aplicações práticas.

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

O primeiro conteúdo, Introdução aos métodos de aprendizagem não supervisionada, assegura que os estudantes conheçam as abordagens centrais (OA1) e compreendam os seus fundamentos, para então selecionarem a estratégia mais adequada em cada problema (OA2). Em seguida, a Análise em Componentes Principais (ACP) aprofunda a capacidade de reduzir a dimensionalidade dos dados e de interpretar resultados, atendendo à avaliação e análise crítica (OA2) e preparando os estudantes para as aplicações práticas (OA4). Por sua vez, as técnicas de clustering — tanto hierárquicas quanto probabilísticas — permitem a realização de projetos completos (OA3), nos quais o estudante desenvolve, valida e interpreta modelos de forma autónoma. Finalmente, as Regras de Associação reforçam o domínio de métodos de descoberta de padrões, permitindo aplicação em contextos reais (OA4) e estimulando a utilização de ferramentas como R ou Python (OA5).

Avaliação / Assessment

A aprovação na UC decorre da obtenção de 10 valores (escala 0-20) em qualquer uma das modalidades de avaliação. Avaliação ao longo do semestre: - trabalho de grupo com nota mínima de 8 valores (30%) - trabalho(s) individual(is) com nota mínima de 8 valores (30%) - teste individual presencial com nota mínima 8 valores (30%) - trabalho autónomo ao longo do semestre (10%) Todas as componentes (trabalhos e teste) são obrigatórias. A aprovação requer uma nota mínima de 10 (escala 0-20). EXAME (1ª Época, em caso de escolha do estudante, 2ª Época e Época Especial): O Exame Final corresponde a um exame presencial escrito (100% da nota final). Os estudantes devem obter uma nota mínima de 10 para passar.

Metodologias de Ensino / Teaching methodologies

A UC segue um conjunto de metodologias de ensino e aprendizagem que promovem a autonomia do estudante e a aplicação prática dos conhecimentos teóricos. As metodologias selecionadas estão alinhadas com o modelo pedagógico que privilegia a aprendizagem ativa, colaborativa e orientada para a resolução de problemas. Nesse sentido, serão adotadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1- Aprendizagem Baseada em Tarefas, MEA2 Aprendizagem Colaborativa, MEA3 - Gamificação, MEA4 - Estudos de Caso e MEA5 - Feedback Construtivo. A combinação destas metodologias visa proporcionar uma experiência de aprendizagem rica e diversificada, que não só prepara os estudantes para os desafios das aplicações computacionais em Ciência de Dados, mas também desenvolve competências essenciais para o sucesso profissional e académico. Esta abordagem pedagógica está articulada com o modelo pedagógico do ISCTE porque o estudante é considerado um agente ativo no seu processo de aprendizagem, dando ênfase na interatividade e na aplicação prática dos conhecimentos.

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

1. Aprendizagem Baseada em Tarefas (ABF) A ABT é particularmente eficaz para o OA1, ""Compreender os principais métodos de aprendizagem não supervisionada"" pois através de tarefas práticas, os estudantes podem envolver-se ativamente na exploração e no entendimento dos algoritmos. 2. Aprendizagem colaborativa: O OA2, ""Avaliar, validar e interpretar os resultados de modelos não supervisionados"", encaixa-se perfeitamente neste método, uma vez que através do trabalho em grupo, os estudantes podem avaliar e validar os resultados uns dos outros, promovendo uma compreensão mais rica através da discussão e da partilha de diferentes perspectivas. Esta abordagem colaborativa também pode ser aplicada ao OA3 e OA4, onde os estudantes podem desenvolver e aplicar algoritmos em casos de estudo práticos, compartilhando insights e estratégias. 3. Gamificação: A gamificação permite aumentar o envolvimento e interesse dos estudantes, sendo útil para todos os objetivos, mas especialmente para o OA4 e OA5. Ao transformar a aprendizagem dos algoritmos em desafios ou jogos, os estudantes podem praticar a aplicação de algoritmos em casos de estudo de forma divertida e interativa. O uso de software, como R ou Python, permite aos estudantes desenvolver soluções eficazes e o uso de técnicas avançadas. 4. Estudos de Caso: Os estudos de caso estão alinhados com os objetivos OA3 e OA4, pois proporcionam aos estudantes a oportunidade de aplicar teorias e técnicas em contextos da vida real. Através da análise de estudos de caso, os estudantes podem desenvolver projetos de descoberta de conhecimento a partir de dados e aplicar algoritmos de aprendizagem não supervisionada, o que reforça a teoria com a prática aplicada. 5. Feedback Construtivo: O feedback construtivo é essencial para todos os objetivos de aprendizagem, pois fornece aos estudantes orientações sobre como melhorarem as suas competências. No contexto do OA2, ao fornecer feedback sobre a avaliação e interpretação dos modelos não supervisionados, ajuda os estudantes a entender melhor suas dificuldades. Para o OA5, o feedback pode ajudar os estudantes a melhorar o uso do software, garantindo que apliquem as melhores práticas de programação e de análise de dados. Em resumo, a coerência entre as metodologias de ensino-aprendizagem e os objetivos listados dá-se através da aplicação prática e colaborativa do conhecimento teórico, do envolvimento dos estudantes em tarefas desafiadoras e do uso de feedback para promover a reflexão.

Observações / Observations

.

Bibliografia Principal / Main Bibliography

"Berry, M. W., Mohamed, A., & Yap, B. W. (Eds.). (2019). Supervised and unsupervised learning for data science. Springer Nature. Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E. (2014), Multivariate Data Analysis, 7th Edition, Essex, UK: Pearson Education. Hastie, T., Tibshirani, R., Friedman, J. (2009), The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer. James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An introduction to statistical learning: with applications in R, New York: Springer. Reddy, C. K. (2018). Data Clustering: Algorithms and Applications. Chapman and Hall/CRC. Vidal, R., Ma, Y., & Sastry, S. S. (2016). Generalized principal component analysis (Vol. 5). New York: Springer."

Bibliografia Secundária / Secondary Bibliography

"Aggarwal, C. C., Reddy, C. K. (eds.) (2014), Data Clustering: Algorithms and Applications. Boca Raton: CRC Press. Contreras, P., & Murtagh, F. (2015). Hierarchical clustering. In Handbook of cluster analysis (pp. 124-145). Chapman and Hall/CRC. Hennig, C., Meila, M., Murtagh, F., Rocci, R. (eds.) (2016), Handbook of Cluster Analysis, Handbooks of Modern Statistical Methods. Boca Raton: Chapman & Hall/CRC. Jolliffe, I. (1986), Principal Component Analysis. New York: Springer-Verlag. Kassambara, A. (2017). Practical guide to cluster analysis in R: Unsupervised machine learning (Vol. 1). Sthda. McLachlan, G. J., Peel, D.(2000), Finite Mixture Models. New York: John Wiley & Sons. Lattin, J., D. Carroll e P. Green (2003), Analyzing Multivariate Data, Pacific Grove, CA: Thomson Learning. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning, second edition: An Introduction (2.a ed.). MIT Press. Verdhan, V. (2020). Models and Algorithms for Unlabelled Data. Springer. Wedel, M., Kamakura, W. A. (2000), Market Segmentation. Conceptual and Methodological Foundations (2nd edition), International Series in Quantitative Marketing. Boston: Kluwer Academic Publishers."

Data da última atualização / Last Update Date

2025-12-02