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

2026/2027

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 regressão e clustering (agrupamento). 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.

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, desenhar e implementar o processo de descoberta e extração de conhecimento para um projeto típico.

Conteúdos Programáticos / Syllabus

P1. Introdução: Conceitos e tarefas básicas P2. Dados: pré-processamento e exploração P3. Técnicas de classificação e sua avaliação P4. Técnicas de regressão e sua avaliação P5. Técnicas de agrupamento P6. Casos especiais (recomendação, text mining, etc.)

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

Os conteúdos programáticos foram estruturados para cobrir de forma sequencial e integrada todos os objetivos definidos. O P1 introduz o processo de descoberta de conhecimento e as suas etapas, sustentando diretamente O1. P2 aborda a preparação e exploração de dados, tarefas centrais para O2. Os P3, P4 e P5 apresentam as principais famílias de algoritmos — classificação, regressão e agrupamento — permitindo aos estudantes compará-los e distinguir a sua aplicabilidade, concretizando O3. P6 alarga o âmbito a casos especiais (recomendação, text mining), reforçando O3 ao expor variantes e técnicas específicas. A articulação transversal entre P1–P6, com aplicação prática ao longo da UC, permite analisar, desenhar e implementar o processo completo de descoberta e extração de conhecimento num projeto típico, correspondendo a O4. Assim, cada objetivo é suportado por conteúdos específicos, e o conjunto assegura uma progressão coerente do conceptual ao aplicado.

Avaliação / Assessment

A aprovação a esta UC é realizada apenas por avaliação ao longo do semestre, não contemplando a modalidade de avaliação por exame. Instrumentos de avaliação: - TESTES: 4 mini-testes escritos (10% x 4) realizados durante o período letivo; - TRABALHOS: Projeto Final (código, relatório e apresentação) com duas entregas (30% x 2), uma entrega intercalar (nesta entrega, apenas código e relatório), que diz respeito à primeira parte do projeto, e outra final do período letivo (penúltima semana, apresentação na última semana) que corresponde ao projeto completo, incluindo a primeira parte (que pode ser melhorada). Requisito de aprovação: nota mínima de 8 valores na média final da componente TESTES. A nota de TRABALHOS está limitada à nota de TESTES + 6 valores. Exemplos de cálculo da nota final: TRABALHOS = 20, TESTES = 14 --> Nota Final = 18 TRABALHOS = 20, TESTES = 10 --> Nota Final = 14 (a nota da componente TRABALHOS foi limitada a 16 valores = 10 + 6) O Projeto Final deve ser realizado em grupo. Em caso de reprovação, a nota da componente TESTES pode ser substituída por uma prova escrita a realizar no período de avaliação correspondente à 1ª época, 2ª época ou época especial. A assiduidade não é requisito de aprovação.

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

MEA1: Expositivas, para apresentação do enquadramento teórico. Esta metodologia é particularmente relevante para os objetivos O1, O2 e O3. Através de aulas expositivas, os estudantes podem adquirir o conhecimento teórico necessário para: - Compreender os passos principais num processo de descoberta de conhecimento em dados (O1) - Entender as tarefas de preparação e extração de conhecimento (O2) - Conhecer diferentes algoritmos de extração de conhecimento (O3) MEA2: Ilustrativas, para exemplificação dos conceitos teóricos referidos anteriormente em contextos reais. Esta abordagem também se relaciona com os objetivos O1 a O3, mas é especialmente importante para O4. Ao ver exemplos práticos, os estudantes podem: - Visualizar como os passos do processo de descoberta de conhecimento se aplicam em situações reais (O1) - Entender melhor as tarefas de preparação e extração de conhecimento em contextos específicos (O2) - Observar como diferentes algoritmos são aplicados em cenários reais (O3) - Começar a desenvolver a capacidade de analisar e desenhar processos de descoberta e extração de conhecimento (O4) MEA3: Argumentativas, com apresentação e discussão do trabalho de grupo. Esta metodologia é crucial para desenvolver habilidades de análise crítica e síntese, contribuindo para todos os objetivos, mas particularmente para O3 e O4: - Permite aos estudantes discutir e defender suas escolhas de algoritmos (O3) - Desenvolve a capacidade de analisar, desenhar e justificar o processo de descoberta e extração de conhecimento (O4) MEA4: Ativas, com resolução de problemas e testes. Esta abordagem prática é essencial para consolidação das aprendizagens e desenvolver habilidades práticas, sendo especialmente relevante para O2, O3 e O4: - Permite aos estudantes praticar tarefas de preparação e extração de conhecimento (O2) - Oferece oportunidades para aplicar e comparar diferentes algoritmos (O3) - Desenvolve a capacidade de implementar o processo completo de descoberta e extração de conhecimento (O4) Em termos de avaliação, o projeto final com duas entregas (30% x 2) está bem alinhado com os objetivos, especialmente O4. Este formato permite aos estudantes demonstrar sua capacidade de analisar, desenhar e implementar um processo completo de descoberta e extração de conhecimento, aplicando os conhecimentos adquiridos ao longo do curso. A combinação destas metodologias de ensino e avaliação proporciona uma abordagem abrangente que permite aos estudantes não apenas adquirir conhecimentos teóricos, mas também desenvolver habilidades práticas e críticas necessárias para atingir todos os objetivos de aprendizagem definidos para a UC.

Observações / Observations

A presença nas aulas não é obrigatória, mas é fortemente encorajada.

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

2026-09-09