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
2023/2024
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 vectores 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
Conteúdos Programáticos / Syllabus
Introdução Fundamentos CP1: Tipos, estruturas de dados, funções e objetos em Python CP2: Computação com arrays NumPy 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 Análise Estatística e Aprendizagem Automática CP7: Análise estatística e preditiva CP8: Introdução à Aprendizagem Automática: Estudo de caso
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
A interligação entre os conteúdos programáticos e os objetivos de aprendizagem (OA) é a seguinte: Os objetivos de aprendizagem OA1 e OA2 estão relacionados com os conteúdos programáticos CP1 e CP2, respetivamente. O objetivo de aprendizagem OA3 é abordado nos conteúdos programáticos CP3-CP5, cujos exercícios associados envolvem a leitura, agregação, manipulação e alguma análise de dados. O objetivo de aprendizagem OA4 concretiza-se nos conteúdos programáticos CP3-CP6. O objetivo de aprendizagem OA5 concretiza-se nos conteúdos programáticos CP7 e CP8, os quais consistem na preparação de dados e na criação e avaliação de modelos preditivos.
Avaliação / Assessment
Avaliação periódica: Teste Intermédio (25%) + PROJETO (25%) + Teste Final (50%, após o fim das aulas). Avaliação por exame: Teste individual (50%, cobrindo toda a matéria) + prova prática (50%, a realizar em computador). A avaliação por exame ocorre sempre que o estudante optar por esta modalidade ou não não tenha obtido nota positiva na avaliação periódica. Pode ser realizada na 1ª época, 2ª época ou época especial (Artº 14 do RGACC) A assiduidade não é requisito essencial de aprovação.
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
O alinhamento entre cada componente de avaliação e os objetivos definidos para a UC é feito da seguinte forma: - Teste Intermédio: OA1, OA2, OA3 - PROJETO: OA3, OA4, OA5 - Teste Final: OA1, OA2, OA3, OA4, OA5
Observações / Observations
A nota final do PROJETO é fixada para cada aluno através de uma prova oral e dependerá do código, documentação apresentada e do desempenho do aluno na oral. As perguntas dos testes podem envolver aspectos relativos ao trabalho.
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
2024-02-16