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
2021/2022
Pré-requisitos / Pre-Requisites
Conhecimentos básicos em Estatística e Álgebra Linear são obrigatórios.
Objetivos Gerais / Objectives
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. CP10. Introduçao computer vision
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 conteúdos programáticos estão alinhados com os objectivos de aprendizagem (OA) da UC através das seguintes dependências OA1 ? CP1, CP2, CP3 OA2 ? CP4 OA3 ? CP1 e CP7 a CP9 OA4 ? CP1, CP4 e CP6 a CP9 OA5 ? CP1 e CP5 OA6 ? CP1 a CP9 OA7 ? CP1 a CP9
Avaliação / Assessment
A avaliação será preferencialmente periódica, podendo também ser feita através de dois trabalhos valendo cada um 30% da nota final e um exame final de 40%. Dado a natureza pratica da UC a avaliação por exame implica a entrega de um trabalho pratico o qual vale 60% da Nota final, valendo o exame 40%
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
A utilização de uma metodologia de ensino que concilia a experimentação prática das diferentes técnicas de modelação com a sua fundamentação teórica, permite dotar o estudante da capacidade de resolver casos concretos com dados reais, estimulando a sua análise crítica.
Observações / Observations
-
Bibliografia Principal / Main Bibliography
Andrw R. Webb, Keith D. Copsey. Statistical Pattern Recognition, 3rd Ed., Wiley, 2011. Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani. An Introduction to Statistical Learning with Applications in R. Springer, 2013. Cathy O'Neil, Rachel Schutt. Doing Data Science: Straight Talk from the Frontline. O'Reilly Media, 2013
Bibliografia Secundária / Secondary Bibliography
Foster Provost, Tom Fawcett (2013) Data Science for Business. What you need to know about data mining and data-analytic thinking, 1st edition. O?Reilly, 2013
Data da última atualização / Last Update Date
2024-02-16