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
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 de: a) Teste individual com ponderação de 50%. b) Trabalho de grupo com ponderação de 50%. A avaliação periódica exige a presença em, pelo menos, 80% das aulas e abarca toda a matéria leccionada. Os alunos em avaliação periódica que não obtenham a nota mínima de 9,5 valores no teste individual e de 10 valores no trabalho, deverão realizar um exame final (nota mínima de aprovação: 10 valores).
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
-
Bibliografia Principal / Main Bibliography
(1). 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
2025-07-20