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

2026/2027

Pré-requisitos / Pre-Requisites

Álgebra linear, Cálculo, Estatística e Computação básica (Python/R)

Objetivos Gerais / Objectives

A UC dota os alunos com técnicas modernas de econometria e Deep Learning (DL) para previsão de dados económicos e financeiros. A iteração entre teoria e prática é enfatizada, e os alunos serão preparados para formulação e teste de vários modelos. Casos com dados reais serão analisados com rigor.

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

No final do período curricular desta UC, o aluno deverá: OA1. Conhecer e aplicar os modelos clássicos de séries temporais; OA2. Conhecer e aplicar os modelos SARIMAX e Prophet; OA3. Familiarizar-se com os modelos de redes neuronais artificias (MLP); OA4. Familiarizar-se com algoritmos de Deep Learning (redes neuronais artificiais de aprendizagem profunda) para previsão de séries temporais; OA5. Ser capaz de trabalhar com os packages informáticos mais importantes (Python); OA6. Aplicação dos conceitos estudados; extracção de informação e valor para dados do mundo real.

Conteúdos Programáticos / Syllabus

P1. Redes neuronais artificiais (ANN) (2 aulas) P1.1. Perceptrão. Função de ativação P1.2. Backpropagation e MLP (multi-layer perceptron, feedforward NN) P1.3. Função custo, aprendizagem/treino de uma ANN. P1.4. Regularização e ajuste dos hiperparâmetros. P2. Séries temporais e dados sequências (2 aulas) P2.1. Conceitos básicos P2.2. Tendências e sazonalidade P2.3. Estacionaridade, testes de raiz unitária, causalidade de Granger. P2.4. Modelos ARMA/ARIMA/SARIMAX P2.5. Pressupostos dos resíduos, testes de diagnóstico P2.6. Modelo Prophet P2.7. Previsão, medição do erro de previsão P3. Modelos de Deep Learning (4 aulas) P3.1. Redes neuronais para séries temporais P3.2. Redes recorrentes: RNN, GRU, LSTM P3.3. Forecasting: direta, recursiva, janelas rolantes. P4. Programação/computação com Python P5. Aplicação dos conceitos estudados; extração de informação e valor para dados do mundo real

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

Esta demonstração de coerência decorre da interligação dos conteúdos programáticos (P) com os objetivos de aprendizagem (OA), como a seguir se explicita: P1 -> OA3 P2 -> OA1, OA2 P3 -> OA4 P4 -> Todos P5 -> Todos

Avaliação / Assessment

A avaliação periódica inclui a realização dos seguintes elementos de avaliação: a) Teste individual, com ponderação de 50% na classificação final. b) Trabalho de grupo com apresentação oral, com ponderação de 50% (30% + 20%) na classificação final. A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abrange toda a matéria lecionada. Os estudantes em regime de avaliação periódica que não obtenham a classificação mínima de 9,5 valores no teste individual e de 10 valores no trabalho de grupo devem realizar um exame final, sendo necessária uma classificação mínima de 10 valores para aprovação. A classificação obtida no trabalho de grupo não é considerada na avaliação da 1.ª época, sendo contabilizada apenas no âmbito da avaliação periódica. A avaliação da 2.ª época consiste exclusivamente na realização de um exame final, sendo necessária uma classificação mínima de 10 valores para aprovação.

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (ME): ME1. Expositivas, para apresentação dos quadros teóricos de referência ME2. Participativas, com análise de artigos científicos ME3. Ativas, com realização de trabalho de grupo ME4. Experimentais, em laboratório de informática, realizando análises sobre dados reais ME5. Auto-estudo, relacionado com o trabalho autónomo (TA) do aluno, tal como consta no Planeamento 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 visam o desenvolvimento das principais competências de aprendizagem dos alunos que permitam cumprir com cada um dos objetivos de aprendizagem, pelo que, na grelha a seguir, apresentam-se as principais interligações entre as metodologias de ensino-aprendizagem e os respetivos objetivos. ME1 -> OA 1, 2, 3, 4 ME2 -> OA 1, 2, 3, 4, 5, 6 ME3 -> OA 1, 2, 3, 4, 5, 6 ME4 -> OA 1, 2, 3, 4, 5, 6 ME5 -> OA 1, 2, 3, 4, 5, 6

Observações / Observations

O/A coordenador/a 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 aferir a autoria dos trabalhos apresentados, 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.

Bibliografia Principal / Main Bibliography

(1). Diana Mendes, (2026), Ficheiros (slides e scripts) da UC a disponibilizar no Moodle/Fenix (2). Mills, T.C. (2019), Applied Time Series Analysis: A Practical Guide to Modeling and Forecasting, Academic Press, Elsevier Inc. (3). Manu Joseph and Jeffrey Tackes (2024), Modern Time Series Forecasting with Python, Packt Publishing. (4). Philip Hua (2024), Neural Networks with TensorFlow and Keras, Packt Publishing.

Bibliografia Secundária / Secondary Bibliography

(1). Edward Raff, (2022), Inside Deep Learning: Math, Algorithms, Models, Manning Publications Co. (2). Louis Owen, (2022), Hyperparameter Tuning with Python, Packt Publishing. (3). Tarek A. Atwan, (2022), Time Series Analysis with Python Cookbook, Packt Publishing.

Data da última atualização / Last Update Date

2026-09-01