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 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 (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