Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2022/2023
Pré-requisitos / Pre-Requisites
.
Objetivos Gerais / Objectives
O objectivo desta UC é o de familiarizar os estudantes com os conceitos e aspetos fundamentais dos métodos e modelos clássicos para descoberta e extração de conhecimento a partir de dados (empresariais) para diferentes tarefas que são necessárias para aplicações práticas correntes, incluindo classificação e previsão, clustering (agrupamento) e análise de regras de associação. Também serão abordadas técnicas básicas de análise de dados, focando a visualização de dados e de resultados e estatísticas para perceção e conhecimento dos dados. Os projetos dos estudantes permitirão uma experiência direta com a manipulação de dados e construção do processo de extração de conhecimento. Caso seja temporalmente possível, serão abordados casos especiais (web mining, text mining, etc.).
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
No final desta UC, os estudantes deverão ter desenvolvido capacidades para O1: Discutir os passos principais num processo de descoberta de conhecimento em dados; O2: Discutir tarefas de preparação e extração de conhecimento selecionadas; O3: Distinguir entre diferentes algoritmos de extração de conhecimento; O4: Analisar e desenhar o processo de descoberta e extração de conhecimento para um projeto típico.
Conteúdos Programáticos / Syllabus
P1. Introdução: Conceitos e tarefas básicas em data analytics P2. Dados: pré-processamento e exploração P3. Técnicas de classificação e sua avaliação P4. Técnicas de previsão e sua avaliação P5. Técnicas de agrupamento P6. Regras de associação P7. Casos especiais (web mining, text mining, etc.)
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
A interligação entre os conteúdos programáticos (P) e os objetivos de aprendizagem (O) realiza-se da seguinte forma: O1: P1 O2 a O4: P2 a P7
Avaliação / Assessment
A aprovação a esta UC é realizada apenas por avaliação periódica, não contemplando a modalidade de avaliação por exame. Instrumentos de avaliação: - 2 testes escritos (20% x 2), um teste intercalar e um teste final, realizado na 1ª época de exames; - Projeto Final com duas entregas (30% x 2). Requisito de aprovação: nota mínima de 8 valores na média final dos testes. O Projeto Final deve ser realizado em grupo e a entrega final contempla a sua apresentação e relatório. Em caso de reprovação, a nota dos testes pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 2ª época ou época especial (Artº 14 do RGACC).
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1: Expositivas, para apresentação do enquadramento teórico. MEA2: Ilustrativas, para exemplificação dos conceitos teóricos em contextos reais. MEA3: Argumentativas, com apresentação e discussão do trabalho de grupo. MEA4: Ativas, com resolução de problemas e testes.
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 objetivos de aprendizagem cobrem aspetos de modelação e construção de um extrator de conhecimento, sendo, portanto, essencial a transferência de conhecimento teórico aliado ao desenvolvimento de competências de carácter prático. Por esta razão as metodologias de aprendizagem incluem uma forte componente participativa e ativa.
Observações / Observations
A presença nas aulas não é obrigatória, mas é fortemente encorajada. Devido à atual situação provocada pela COVID-19, o processo de avaliação poderá sofrer algumas adaptações, que serão comunicadas oportunamente, caso tal venha a ser necessário.
Bibliografia Principal / Main Bibliography
- Jake VanderPlas, "Python Data Science Handbook: Essential Tools for Working with Data", 1st ed, 2016, O'Reilly (https://jakevdp.github.io/PythonDataScienceHandbook/) - Field Cady, "The Data Science Handbook" 1st Edition. Field Cady (2017), Wiley - Pang-Ning Tan, Michael Steinbach, Anuj Karpatne and Vipin Kumar, "Introduction to Data Mining", Addison-Wesley. Second Edition, 2018
Bibliografia Secundária / Secondary Bibliography
- Jiawei Han and Micheline Kamber, "Data Mining: Concepts and Techniques", Morgan Kaufman Publishers, Third Edition, 2011. - Foster Provost, Tom Fawcett, "Data Science for Business. What you need to know about data mining and data-analytic thinking", O'Reilly. 1st edition, 2013. - Charu C. Aggarwal, "Data Mining: The Textbook", Springer, 2015
Data da última atualização / Last Update Date
2024-02-16