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

2024/2025

Pré-requisitos / Pre-Requisites

Conhecimentos básicos em Estatística e Álgebra Linear são obrigatórios. Recomenda-se a frequência na UC de Análise de Dados para Business Intelligence.

Objetivos Gerais / Objectives

Esta UC tem por objetivo o desenvolvimento de competências em extração de padrões e de conhecimento a partir de dados. Serão estudadas técnicas de data mining, modelos estatísticos e de aprendizagem automática para detecção de padrões e estruturas, classificação e previsão.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

Para obter sucesso nesta UC o aluno deverá ser capaz de: OA1. Aplicar técnicas de preparação e análise exploratória de dados OA2. Aplicar técnicas de regressão linear, não linear e logística OA3. Entender a aplicação de técnicas de classificação como Support Vector Machine e Redes Neuronais e Classificação Bayesiana OA4. Aplicar técnicas de indução de regras a problemas de extração de conhecimento OA5. Aplicar técnicas de análise de grupos a problemas de extração de conhecimento OA6. Perceber como conseguir uma boa modelação OA7. Conceber modelos de data mining com dados reais

Conteúdos Programáticos / Syllabus

CP1. Introdução ao Data Mining, problemas de decisão e aplicações CP2. O Processo do ciclo de dados CP3. Revisão de Estatística descritiva e exploratória CP4. Revisão das principais técnicas de Regressão linear, não-linear e logística CP5. Análise de grupos (clustering): técnicas principais e aplicações CP6. Tree based emsembles CP7. Técnicas de inferência Bayesianas CP8. Support Vector Machines (SVM) CP9. Redes Neuronais

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

Os conteúdos programáticos estão alinhados com os objectivos de aprendizagem (OA) da UC através das seguintes dependências: OA1: Técnicas de preparação e análise exploratória de dados - CP1, 2 e 3 OA2: Técnicas de regressão linear, não linear e logística – CP4 OA3: Técnicas de classificação - CP1, 7, 8 e 9 OA4: Técnicas de indução de regras - CP1, 4, 6, 7, 8 e 9 OA5: Técnicas de análise de grupos – CP1 e 5 OA6 (Perceber como conseguir uma boa modelação) e OA7 (Conceber modelos de data mining com dados reais) são objetivos de aprendizagem transversais, sendo alcançados com a contribuição de todos os CP.

Avaliação / Assessment

O aluno dispõe de dois métodos de avaliação: avaliação ao longo do semestre e avaliação por exame (para 100% da nota). Dado o carácter prático desta UC, recomenda-se o método de avaliação ao longo do semestre que inclui o desenvolvimento de um trabalho prático. A avaliação ao longo do semestre é composta pelas seguintes componentes: - Trabalho prático (em grupo, com nota individual): 60% - Revisão por pares (em grupo, com nota individual): 10% - Teste individual: 30% Nota mínima de 10 em todas as componentes. Os grupos de trabalho são de 2 a 3 elementos. Não há possibilidade de realização de trabalhos práticos individuais. A entrega do trabalho prático decorre após a última de aulas da UC, no período letivo. Esta UC é dada em regime intensivo, no início do semestre, terminando a meio do período letivo. As orais para a discussão dos trabalhos práticos serão realizadas com dois grupos em simultâneo, onde cada grupo apresenta a revisão por pares do outro trabalho. O relatório da revisão por pares é entregue no momento da oral. O teste individual será realizado em período letivo, após a última aula da UC. Alternativamente o aluno pode ser avaliado por um exame final que vale 100% da nota, em 1ª época, 2ª época e época especial de avaliação. Passam a ser avaliados por exame em 1ª época (contando 100% da nota) os alunos que não cumprirem a nota mínima do trabalho de grupo ou da revisão por pares. O exame de 2ª época constitui sempre 100% da nota e pode ser realizado: (a) por quem em 1ª época não obteve nota positiva ou não foi avaliado; (b) para melhoria de nota (requer inscrição na secretaria).

Metodologias de Ensino / Teaching methodologies

Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1: Expositivas, para apresentação do necessário enquadramento teórico MEA2: Ilustrativas, para exemplificação dos conceitos teóricos em contextos reais MEA3: Argumentativas, com apresentação e discussão de trabalho MEA4: Ativas, na resolução prática de exercícios propostos.

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 resultados de aprendizagem (OA) são alcançados através de uma combinação de aulas expositivas, realização de exercícios, discussão de exemplos em contexto real, desenvolvimento do projeto e estudo individual. A combinação de várias metodologias de ensino permite conciliar a experimentação prática das diferentes técnicas de modelação com a sua fundamentação teórica, dotando os alunos da capacidade de resolver casos concretos com dados reais, estimulando a sua análise crítica. As aulas expositivas são orientadas para a apresentação conceitos fundamentais de Data Mining. O projeto realizado em grupo permite aos alunos aplicarem os conceitos teóricos lecionados num contexto específico. A discussão de exemplos em contexto real permite a aplicação e a discussão participativa e crítica dos conceitos lecionados. As aulas de apoio ao desenvolvimento do projeto prático oferecem uma oportunidade para os alunos explicarem as suas decisões e refletirem sobre a aplicação dos conceitos lecionados, obtendo feedback formativo. A revisão por pares (peer-assessment) de um trabalho, realizada no final da UC, contribui para a consolidação dos conhecimentos e o desenvolvimento da capacidade crítica. O alinhamento entre os objetivos de aprendizagem e cada metodologia de ensino-aprendizagem definidas para a UC é realizado da seguinte forma: ME1: OA1, OA2, OA3, OA4, OA5, OA6 ME2: Todos os OA ME3: Todos os OA ME4: Todos os OA.

Observações / Observations

-

Bibliografia Principal / Main Bibliography

- Materiais diversos fornecidos pelos docentes da UC. - Pang-Ning Tan, Michael Steinbach, Anuj Karpatne and Vipin Kumar (2018) Introduction to Data Mining (2nd ed.). Addison-Wesley. - VanderPlas, J. (2023) Python Data Science Handbook: Essential Tools for Working with Data (2nd ed.) OReilly Media. - Webb, A. & Copsey, K. (2011) Statistical Pattern Recognition (3rd ed.). Wiley.

Bibliografia Secundária / Secondary Bibliography

- Géron, A. (2022) Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (3rd ed.). OReilly Media. - Cady, F. (2017) The Data Science Handbook (1st ed.). Wiley. - Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking (1st ed.). OReilly.

Data da última atualização / Last Update Date

2024-08-09